Inteligência artificial e imagens espectrais para avaliação da qualidade de sementes

Abstract

Resumo: A análise de imagem espectral é considerada a principal tecnologia emergente na avaliação da qualidade de sementes pois é capaz de capturar informações de diferentes naturezas, como espectrais, morfológicas e de autofluorescência. Assim, a tecnologia tem sido explorada com sucesso na indústria de sementes, visando complementar ou até substituir análises tradicionais, que são frequentemente demoradas, subjetivas e resultam na perda da semente. O objetivo principal dessa tese foi investigar a aplicação da análise de imagem espectral combinada com métodos de análise de dados multivariados na avaliação da qualidade de sementes. Os objetivos específicos de cada capítulo foram: (1) avaliar os principais procedimentos relacionados à análise de imagens espectrais e procedimentos quimiométricos aplicados na fenotipagem de sementes, bem como a sua aplicação prática; (2) identificar o potencial da análise de imagem espectral na distinção entre sementes híbridas de Eucalyptus urograndis (Eucalyptus grandis × Eucalyptus urophylla) e Corymbia maculata × Corymbia torelliana dos seus progenitores; e (3) avaliar a relação entre a respiração de sementes de soja e suas características biométricas do uso de imagens multiespectrais. Para avaliar o uso da técnica de imagens espectrais na fenotipagem de sementes, uma revisão sistemática baseada na metodologia PRISMA foi realizada. Um total de 1304 artigos foram inicialmente avaliados e 44 artigos foram selecionados conforme os critérios estipulados. Os resultados indicaram que a análise possui alta capacidade (93,33%) para classificar genótipos de sementes, incluindo cultivares, híbridos interespecíficos, progenitores e linhagens. Em relação à distinção de sementes híbridas florestais, foram realizados quatro experimentos com dois lotes separados e um combinado de sementes de Eucalyptus urograndis e um lote de Corymbia maculata × Corymbia torelliana e seus progenitores. Imagens multiespectrais foram capturadas e características espectrais e morfológicas foram extraídas. Algoritmos SVM, LDA e RF, foram utilizados para compor os modelos de classificação das sementes. O algoritmo LDA, combinado com características morfo-espectrais das sementes, foi o mais eficaz para ambos os gêneros com acurácia de 98,15% para as sementes Corymbia spp. e 92,75%, 85,38% e 86,00% para cada um dos lotes de Eucalyptus spp. e para eles misturados, respectivamente. A técnica se mostrou eficaz para a separação de sementes híbridas de Corymbia spp. e Eucalyptus spp. no contexto de programas de melhoramento florestal. Para o experimento com sementes de soja, 1806 sementes de seis lotes diferentes foram avaliadas. Imagens multiespectrais seguidas pela medição individual do consumo de oxigênio das sementes durante a germinação foram realizadas. Ao todo, 2775 pares de 75 medidas biométricas foram analisadas. Ambas as medidas de respiração e biometria foram categorizadas e associadas usando tabelas de contingência e análise de entropia. Os resultados revelaram diferenças nos padrões de respiração, especialmente em autofluorescência (365/600 nm, 430/700 nm, 450/700 nm, e 470/700 nm) e refletância (365 nm, 690 nm, e 405 nm). As características da semente de soja, em especial, sua informação espectral, estão fortemente correlacionadas com a respiração e qualidade da semente, e a análise de imagem espectral é uma ferramenta eficaz e não invasiva para sua avaliação.

Abstract: Spectral image analysis is considered the main emerging technology in seed quality assessment as it is capable of capturing information of different natures, such as spectral, morphological and autofluorescence information. The technology has therefore been successfully used in the seed industry to complement or even replace traditional analyses, which are often time-consuming, subjective and result in seed loss. The main objective of this thesis was to investigate the application of spectral image analysis combined with multivariate data analysis methods in seed quality assessment. The specific objectives of each chapter were: (1) to evaluate the main procedures related to spectral image analysis and chemometric procedures applied in seed phenotyping, as well as their practical application; (2) to identify the potential of spectral image analysis in distinguishing hybrid seeds of Eucalyptus urograndis (Eucalyptus grandis × Eucalyptus urophylla) and Corymbia maculata × Corymbia torelliana from their parents; and (3) to assess the relationship between soybean seeds respiration and its biometric features through multispectral imaging. To evaluate the use of spectral imaging techniques in seed phenotyping, a systematic review based on the PRISMA methodology was carried out. A total of 1304 articles were initially evaluated, and 44 articles were selected according to the stipulated criteria. The results indicated that the analysis has a high capacity (93.33%) for classifying seed genotypes, including cultivars, interspecific hybrids, parents and lines. Regarding distinguishing hybrid forest seeds, four experiments were carried out with two separate batches and one combined batch of Eucalyptus urograndis seeds and one batch of Corymbia maculata × Corymbia torelliana and their progenitors. Multispectral images were captured, and spectral and morphological characteristics were extracted. SVM, LDA and RF algorithms were used to compose the seed classification models. The LDA algorithm, combined with the morphological and spectral characteristics of the seeds, was the most effective for both genera, with an accuracy of 98.15% for the Corymbia spp. seeds and 92.75%, 85.38% and 86.00% for each of the Eucalyptus spp. lots and for them mixed, respectively. The technique proved to be effective for separating hybrid seeds of Corymbia spp. and Eucalyptus spp. in the context of forestry breeding programs. For the experiment with soybean seeds, 1806 seeds from six different lots were evaluated. Multispectral images followed by individual measurements of the seeds' oxygen consumption during germination were taken. In total, 2775 pairs of 75 biometric measurements were analyzed. Both respiration and biometric measurements were categorized and associated using contingency tables and entropy analysis. The results revealed differences in respiration patterns, especially in autofluorescence (365/600 nm, 430/700 nm, 450/700 nm, and 470/700 nm) and reflectance (365 nm, 690 nm, and 405 nm). Soybean seed characteristics, especially their spectral information, are strongly correlated with seed respiration and quality, and spectral image analysis is an effective and non-invasive tool for evaluating them.