Istraživački tim je istražio jeftine senzore za snimanje dubine sa ciljem automatizacije testova patologije biljaka. Tim je postigao 97% tačnosti u razlikovanju između otpornih i osetljivih biljaka na osnovu gubitka kotiledona. Ovaj metod radi 30 puta brže od ljudskih komentara i robustan je u različitim okruženjima i gustinama biljaka.
Inovativni sistem za obradu slike, metoda izdvajanja karakteristika i model klasifikacije pružaju isplativo rešenje visoke propusnosti, sa potencijalnim primenama u alatima za podršku odlučivanju i samostalnim tehnologijama za računanje rubova u realnom vremenu.
Selektivno oplemenjivanje biljaka, koje je nastalo pripitomljavanjem divljih biljaka pre otprilike 10.000 godina, evoluiralo je da odgovori na izazove koje predstavljaju klimatske promene. Trenutni napori u oplemenjivanju se fokusiraju na povećanje otpornosti biljaka na biotičke i abiotske stresove, ranije klijanje i poboljšanje nutritivnih i ekoloških vrednosti. Međutim, dugotrajan proces razvoja novih sorti, koji često traje i do 10 godina, ostaje značajna prepreka.
Studija objavljena u Plant Phenomics 6. juna 2024. istražuje efikasnost Phenogrid-a, sistema fenotipizacije dizajniranog za praćenje biljaka u ranoj fazi pod biotičkim stresom, baveći se pitanjem otpornosti biljaka na patogene.
U ovoj studiji, ekstrakcija prostorno-vremenskih karakteristika, uključujući apsolutnu amplitudu (Aabs), relativnu amplitudu (Arel) i trajanje pada (D), pokazalo se kao efikasan metod za razlikovanje između osetljivih i otpornih serija biljaka.
Karakteristika početka (O) pokazala je uniformnost kod osetljivih biljaka, dok su rezistentne biljke pokazale konzistentan trodnevni početak, koji je bio u korelaciji sa gubitkom kotiledona. Visinski signali su bili manje efikasni, dok su površinski i zapreminski signali pokazali izražene kontraste između osetljivih i otpornih biljaka.
Rezultati statističkih ispitivanja su pokazali značaj većine ekstrahovanih osobina u otkrivanju gubitka kotiledona. Ovo je zahtevalo upotrebu složenog klasifikatora kako bi se postigla efikasna klasifikacija serije. Model Random Forest postigao je najveću tačnost klasifikacije od 97%, uz jake metrike performansi (MCC: +91%).
Metod je pokazao otpornost na varijabilnost vremena inokulacije, održavajući performanse sa do dva sata desinhronizacije. Štaviše, simulacije su pokazale da smanjenje broja biljaka po seriji sa 20 na 10 održava performanse klasifikacije uz udvostručavanje protoka.
Vizuelna analiza je otkrila da direktno zalivanje ima uticaj na tačnost klasifikacije, sugerišući da bi automatizovane metode ili metode subirrigacije mogle dodatno poboljšati performanse. Efikasnost metode se proteže na segregaciju drugih patosistema, čime se demonstrira robusna generalizacija i potencijal za dijagnostiku patologije biljaka velike propusnosti.
Viši istraživač studije, Dejvid Ruso, tvrdi da razvijeni sistem za snimanje, kada se kombinuje sa metodom ekstrakcije obeležja i modelom klasifikacije, obezbeđuje sveobuhvatan cevovod sa neuporedivom propusnošću i ekonomičnošću u poređenju sa najsavremenijim.
Sistem se može primeniti kao alat za podršku odlučivanju, ali je takođe kompatibilan sa samostalnom tehnologijom gde se izračunavanje vrši na ivici u realnom vremenu.
Ova studija pokazuje uspešnu automatizaciju testova patologije biljaka korišćenjem jeftinih senzora za dubinu snimanja, postižući tačnost od 97% u razlikovanju otpornih od osetljivih biljaka kroz detekciju gubitka kotiledona. Metoda je otporna na varijacije u gustini biljaka i desinhronizaciji, i na taj način značajno ubrzava vreme obrade u poređenju sa onim što je potrebno za ljudske komentare.
Buduća poboljšanja mogu uključiti integraciju dodatnih modaliteta snimanja i prečišćavanje algoritama za širu primenljivost, obećavajući brzo, tačno i isplativo rešenje za poboljšanje otpornosti useva i produktivnosti.
