Intelligente Herbsternte | Aufdeckung der „inneren Verletzungen“ von Reissamen: Die neueste Forschung des Instituts für Intelligente Technologie zur „Risserkennungstechnologie“

Produziert von: Science Popularization China

Autor: Wang Liusan (Institut für Intelligente Maschinen, Hefei Institutes of Physical Science, Chinesische Akademie der Wissenschaften)

Hersteller: China Science Expo

Anmerkung des Herausgebers: Um die neuesten Trends in der intelligenten Technologie vorzustellen, hat das Spitzentechnologieprojekt von China Science Popularization eine Artikelserie zum Thema „Künstliche Intelligenz“ veröffentlicht, um einen Einblick in die neuesten Fortschritte der künstlichen Intelligenz zu geben und auf verschiedene Bedenken und Neugierde einzugehen. Lassen Sie uns gemeinsam das intelligente Zeitalter erkunden und begrüßen.

Visitenkarte des AI Farmer Assistant

Assistent: Zerstörungsfreie Erkennung innerer Risse in Reiskörnern mittels Nahinfrarotspektroskopie

Zwei Wunderwaffen: Zerstörungsfreie Prüfung und Künstliche Intelligenz

Zwei Schlüsseltechnologien: Nahinfrarot-Spektroskopie-Transmissionstechnologie und maschineller Lernalgorithmus

Energiewert: 5 Sterne

Ausweisfoto:

FT-NIR-Spektrometer

(Bildquelle: vom Autor bereitgestellt)

Selbstvorstellung des intelligenten Herbsternte-Assistenten

Freut mich, Sie kennenzulernen. Ich bin Mitglied des Institute of Intelligent Machinery, Hefei Institutes of Physical Science, Chinesische Akademie der Wissenschaften. Mithilfe der Nahinfrarotspektroskopie-Technologie zur Erkennung innerer Risse im Saatgut können innere Risse im Saatgut schnell und präzise erkannt werden, ohne das Reiskorn zu zerstören.

Reissamen unterscheiden

Reis ist eine wichtige Nutzpflanze auf der Welt. Mit einer Erntefläche von 167 Millionen Hektar und einer Gesamtproduktion von 769 Millionen Tonnen im Jahr 2017 stellt er die Grundnahrungsmittel für fast die Hälfte der Weltbevölkerung dar. Um die steigende Nachfrage nach Reis zu decken, wird hochwertiges Saatgut benötigt.

Reis

(Bildquelle: Veer-Fotogalerie)

Allerdings neigen Reissamen während der künstlichen Trocknung oder Sonnentrocknung vor der Ernte zu inneren Rissen und sind außerdem während der Ernte, des Transports, der Lagerung und der Handhabung anfällig für mechanische Schäden. Innere Risse in Reiskörnern beeinträchtigen die Keimqualität und die Auflaufrate der Samen und sind mit dem menschlichen Auge nur schwer zu erkennen. Daher wird dringend eine Methode benötigt, mit der sich Reissamen mit inneren Rissen vor der Aussaat von normalen Samen unterscheiden lassen.

Die traditionelle Methode zum Erkennen von Reiskörnern mit inneren Rissen ist die visuelle Inspektion. Es ist destruktiv, subjektiv und zeitaufwändig und daher für die Prüfung einer großen Anzahl von Proben ungeeignet. Daher ist es notwendig, eine zerstörungsfreie und schnelle Methode zur Identifizierung von Reiskörnern mit inneren Rissen vorzuschlagen. In jüngster Zeit werden Röntgenaufnahmen eingesetzt, um innere Risse in Reiskörnern und Bohnensamen zu erkennen. Röntgenstrahlen sind jedoch radioaktiv und teuer, was ihre Verbreitung erschwert. Im Gegensatz dazu bietet My Birth eine schnelle, zerstörungsfreie und kostengünstige Analysemethode.

Samen knacken

(Bildquelle: vom Autor bereitgestellt)

Nahinfrarotspektroskopie

Das von mir emittierte Nahinfrarotspektrum ist eine elektromagnetische Welle zwischen sichtbarem Licht und mittlerem Infrarot. Die American Society for Materials Testing definiert den nahen Infrarot-Spektralbereich als 780–2526 nm.

Der nahe Infrarot-Spektralbereich stimmt mit dem Absorptionsbereich der kombinierten Frequenz und verschiedener harmonischer Frequenzen der Schwingung wasserstoffhaltiger Gruppen (OH, NH, CH) in organischen Molekülen überein. Durch Scannen des Nahinfrarotspektrums der Probe können die charakteristischen Informationen der wasserstoffhaltigen Gruppen in den organischen Molekülen in der Probe gewonnen werden. Darüber hinaus bietet die Verwendung meiner Probenanalyse den Vorteil, dass sie bequem, schnell, effizient, genau und kostengünstig ist, ohne die Probe zu zerstören, chemische Reagenzien zu verbrauchen oder die Umwelt zu verschmutzen. Es wird häufig in der Industrie, Landwirtschaft, Medizin, Lebensmittelindustrie und anderen Bereichen eingesetzt.

Wie erkennt man das?

Die Forscher kauften zwei Hybridreissamen (Liangyou 566 und Y Liangyou 1982, beides Indica-Zweilinien-Hybridreissorten) auf dem lokalen Saatgutmarkt. 99 (Liangyou 566) und 40 (Y Liangyou 1982) Reiskörner mit innerem Riss wurden von professionellen Technikern mithilfe eines selbstgebauten Lichtkastenmessgeräts ausgewählt. Darüber hinaus wurden 100 normale (Liangyou 566) und 40 (Y Liangyou 1982) Reissamen untersucht, was 279 Reissamenproben entspricht.

Im zweiten Schritt verwendeten die Forscher I, um das Transmissionsspektrum von Reiskörnern zu erhalten, die auf einen Probentisch gelegt, mit einem Deckel mit einem Sammeldetektor abgedeckt und mit einer Halogenlampe beleuchtet wurden. Licht wird durch die Reissamen zum Detektor übertragen und das Transmissionsspektrum jedes Reissamens wird erfasst. Vor der Messung des Spektrums wurden die Reissamen mit einem Deckel abgedeckt, um Störungen durch Umgebungslicht um die Samen herum zu vermeiden.

Halogenlampen

(Bildquelle: Veer-Fotogalerie)

Die Änderungen im Messstatus der Reissamen und im Arbeitsstatus des Spektrometers können zu zufälligem Rauschen, Basisliniendrift und Mehrfachstreuung führen. Um die Auswirkungen dieser Effekte auf die Robustheit des Modells zu verringern und die Vorhersagegenauigkeit des Modells zu verbessern, müssen die Spektraldaten vorverarbeitet werden.

In der Studie wurden mehrere Methoden der spektralen Vorverarbeitung verglichen, darunter keine Vorverarbeitung (Rohspektrum), Standardnormalvariable (SNV), Mehrfachstreukorrektur (MSC) sowie erste und zweite Ableitungen der Savitzky-Golay-Glättung.

Die standardmäßige Normalverteilungstransformation besteht darin, das ideale Spektrum vom ursprünglichen Spektrum jeder Probe zu subtrahieren und durch die Standardabweichung zu dividieren. Das ideale Spektrum ist normalerweise das Durchschnittsspektrum jeder Probe. Die multivariate Streukorrektur reduziert diese unabhängigen Variationen, indem sie das gemessene Spektrum zu einem Referenzspektrum hinzufügt. Das Referenzspektrum ist üblicherweise das Durchschnittsspektrum aller gemessenen Spektren. Mit beiden Methoden können Streufehler eliminiert werden. Die erste und zweite Ableitung der Savitzky-Golay-Glättung werden hauptsächlich verwendet, um Rauschen zu reduzieren, Basisliniendrift zu beseitigen und die spektrale Auflösung zu verbessern.

Die Hauptkomponentenanalyse (PCA) ist eine klassische Methode der Datenanalyse, die durch die Reduzierung der Datendimensionen Datenmuster und interne Strukturen aufdeckt. Normalerweise maximieren die ersten Hauptkomponenten (PCs) die spektrale Variation des Datensatzes und erklären die Gruppierung und Ähnlichkeit der Proben. Wir haben eine explorative Analyse der Spektren von Rohreissamen mittels PCA durchgeführt.

Die ursprünglichen und verarbeiteten Spektraldaten wurden verwendet, um mithilfe von vier in der künstlichen Intelligenz häufig verwendeten Algorithmen des maschinellen Lernens (PLS-DA, SVM, KNN und RF) ein Modell zur Erkennung innerer Risse in Reiskörnern zu erstellen. 75 % aller Proben (210 Reiskörner) wurden zum Erstellen des Modells verwendet, und die restlichen Proben wurden zum Testen des Modells verwendet.

Die Ergebnisse zeigen, dass PLS-DA in Kombination mit dem ursprünglichen Spektraldatenmodell die beste Leistung aufweist. Die Leistung von SVM ist schlechter, aber besser als die von RF und KNN. Mit Ausnahme von PLS-DA verbesserten vier verschiedene Vorverarbeitungsmethoden die Leistung der entwickelten Modelle.

Die Wellenlängen-Wichtigkeitsanalyse zeigte, dass die wichtige Variable zur Identifizierung innerer Risse in Reiskörnern mit dem Amylosegehalt zusammenhängt. Daher kann der Schluss gezogen werden, dass es sich um eine schnelle und zerstörungsfreie Methode zur Erkennung innerer Risse in Reiskörnern handelt.

Werte der variablen Bedeutung bei der Vorhersage (VIP) in der PLS-DA-Analyse

(Bildquelle: vom Autor bereitgestellt)

Nachricht vom Assistenten

Während sich die Algorithmen des maschinellen Lernens weiterentwickeln, kann ich sie für breitere Anwendungen kombinieren. Um ein robusteres Nahinfrarot-Spektralmodell zu erhalten, benötigen Forscher mehr Reisproben verschiedener Sorten, um deren praktische Anwendung bei der Erkennung innerer Risse im Reis zu fördern. Meine Anwendung verbessert nicht nur die Effizienz und Genauigkeit der Qualitätsbewertung von Reissaatgut, sondern bietet auch ein neues technisches Mittel zur Saatgutqualitätskontrolle in der landwirtschaftlichen Produktion.