スマートな秋の収穫 |稲の種子の「内部損傷」を明らかにする：知能技術研究所の「ひび割れ検出技術」に関する最新の研究

制作：中国科学普及協会

著者: 王六三 (中国科学院合肥物理科学研究所知能機械研究所)

プロデューサー: 中国科学博覧会

編集者注：中国科学普及の最先端技術プロジェクトは、インテリジェント技術の最新動向を紹介するために、「人工知能」に関する一連の記事を立ち上げ、人工知能の最先端の進歩を垣間見ることができ、さまざまな懸念や好奇心に応えています。一緒に探究し、インテリジェントな時代を受け入れていきましょう。

AI農業アシスタント名刺

アシスタント：近赤外分光法を用いたイネ種子の内部亀裂の非破壊検出

2つの魔法の武器：非破壊検査と人工知能

2つの主要技術：近赤外分光伝送技術と機械学習アルゴリズム

エネルギー値: 5 つ星

身分証明書用写真:

FT-NIR分光計

（画像出典：著者提供）

スマート秋の収穫アシスタント自己紹介

初めまして。私は中国科学院合肥物理科学研究所知能機械研究所の会員です。近赤外線分光法による種子内部亀裂検出技術は、稲の種子を破壊することなく、種子の内部亀裂を迅速かつ正確に検出することができます。

稲の種子を区別する

米は世界にとって重要な作物であり、2017年の収穫面積は1億6,700万ヘクタール、総生産量は7億6,900万トンに達し、世界人口のほぼ半数に基本的な食料を供給しています。増大する米生産の需要を満たすには、高品質の種子が必要です。

米

（写真提供：veerフォトギャラリー）

しかし、稲の種子は、収穫前の人工乾燥や天日乾燥の際に内部に亀裂が生じやすく、また、収穫、輸送、保管、取り扱いの際に機械的損傷を受けやすいという問題があります。稲種子の内部亀裂は種子の発芽品質や出芽率に影響を及ぼし、人間の目では内部亀裂を検出することが困難です。そのため、播種前に内部割れした稲種子と正常な種子を区別できる方法が早急に必要とされている。

内部に亀裂のある稲の種子を識別する伝統的な方法は目視検査です。これは破壊的かつ主観的で、時間がかかるため、大量のサンプルをテストするのには適していません。したがって、内部割れした稲種子を非破壊かつ迅速に識別する方法を提案する必要がある。最近では、X 線画像診断法が米粒や豆の種子の内部の亀裂を検出するために使用されています。しかし、X線は放射性であり、高価であるため、普及が困難です。対照的に、My Birth は高速で非破壊的、かつ安価な分析方法を提供します。

種を割る

（画像出典：著者提供）

近赤外分光法

私が発する近赤外線スペクトルは、可視光と中赤外線の中間の電磁波です。アメリカ材料試験協会は、近赤外線スペクトル領域を 780 ～ 2526 nm と定義しています。

近赤外線スペクトル領域は、有機分子中の水素含有基（OH、NH、CH）の振動の複合周波数とさまざまな高調波周波数の吸収領域と一致しています。サンプルの近赤外スペクトルをスキャンすることで、サンプル中の有機分子の水素含有基の特性情報を得ることができます。さらに、サンプルを分析するために私を使用すると、サンプルを破壊したり、化学試薬を消費したり、環境を汚染したりすることなく、便利、迅速、効率的、正確、低コストであるという利点があります。工業、農業、医療、食品などの分野で広く使用されています。

どのように検出しますか?

研究者らは、地元の種子市場から2種類のハイブリッド米の種子（Liangyou 566とY Liangyou 1982、どちらもインディカ2系統ハイブリッド米の品種）を購入した。プロの技術者が自作の光ボックス測定器を使用して、内部割れした米種子99個（Liangyou 566）と40個（Y Liangyou 1982）を選択した。さらに、100 個の正常（Liangyou 566）イネ種子と 40 個の（Y Liangyou 1982）イネ種子をスクリーニングし、合計 279 個のイネ種子サンプルを構成しました。

第二段階では、研究者らはIを使用して、サンプル台に置き、収集検出器付きの蓋で覆い、ハロゲンランプで照らしたイネ種子の透過スペクトルを取得しました。光は稲の種子を通して検出器に伝達され、各稲の種子の透過スペクトルが収集されます。スペクトルを測定する前に、種子の周囲の周囲光による干渉を避けるために、米の種子を蓋で覆いました。

ハロゲン電球

（写真提供：veerフォトギャラリー）

稲種子の測定状態や分光計の動作状態の変化により、ランダムノイズ、ベースラインドリフト、多重散乱が発生する可能性があります。これらの影響がモデルの堅牢性に与える影響を軽減し、モデルの予測精度を向上させるには、スペクトル データを前処理する必要があります。

この研究では、前処理なし（生のスペクトル）、標準正規変量（SNV）、多重散乱補正（MSC）、Savitzky-Golay 平滑化の 1 次導関数と 2 次導関数など、いくつかのスペクトル前処理方法が比較されました。

標準正規変量変換は、各サンプルの元のスペクトルから理想スペクトルを減算し、それを標準偏差で割ることです。理想的なスペクトルは通常、各サンプルの平均スペクトルです。多変量散乱補正では、測定されたスペクトルを参照スペクトルに追加することで、これらの無関係な変動を減らします。参照スペクトルは通常、測定されたすべてのスペクトルの平均スペクトルです。どちらの方法も散乱誤差を排除するために使用できます。 Savitzky-Golay スムージングの 1 次導関数と 2 次導関数は、主にノイズの低減、ベースライン ドリフトの除去、スペクトル分解能の向上に使用されます。

主成分分析 (PCA) は、データの次元を削減することでデータ パターンと内部構造を明らかにする古典的なデータ分析手法です。通常、最初のいくつかの主成分 (PC) はデータセットのスペクトル変動を最大化し、サンプルのグループ化と類似性を説明します。 PCA による生の米種子スペクトルの探索的分析を実施しました。

元のスペクトルデータと処理済みのスペクトルデータを使用して、人工知能で一般的に使用される 4 つの機械学習アルゴリズム (PLS-DA、SVM、KNN、RF) を通じて、米の種子の内部亀裂認識モデルを確立しました。全サンプルの 75% (210 個の米種子) がモデルの構築に使用され、残りのサンプルはモデルのテストに使用されました。

結果は、オリジナルのスペクトル データ モデルと組み合わせた PLS-DA が最高のパフォーマンスを発揮することを示しています。 SVM のパフォーマンスは劣りますが、RF や KNN よりは優れています。 PLS-DA を除いて、4 つの異なる前処理方法により、開発されたモデルのパフォーマンスが向上しました。

波長重要度分析により、米種子の内部亀裂を識別するための重要な変数はアミロース含有量に関連していることが示されました。したがって、I は、イネ種子の内部亀裂を識別するための迅速かつ非破壊的な方法として使用できると結論付けることができます。

PLS-DA分析における変数の予測重要度（VIP）スコア

（画像出典：著者提供）

アシスタントからのメッセージ

機械学習アルゴリズムが開発されるにつれて、それらを組み合わせてより幅広い用途に応用できるようになります。より堅牢な近赤外線スペクトルモデルを得るために、研究者は、米の内部亀裂の検出における実用化を促進するために、より多くの異なる品種の米サンプルを必要としています。私のアプリケーションは、イネ種子の品質評価の効率と精度を向上させるだけでなく、農業生産における種子の品質管理のための新しい技術的手段も提供します。