เทคโนโลยีการจดจำวัตถุที่ขับเคลื่อนด้วย AI สามารถช่วยแก้ปัญหาโรคข้าวสาลีได้หรือไม่?

"โรคใบไหม้ Fusarium ทำให้เกิดการสูญเสียทางเศรษฐกิจจำนวนมากในข้าวสาลี และสารพิษที่เกี่ยวข้องอย่าง deoxynivalenol (DON) อาจทำให้เกิดปัญหาต่อสุขภาพของมนุษย์และสัตว์ได้ โรคนี้เป็นอุปสรรคอย่างมากสำหรับผู้ที่ปลูกข้าวสาลีในภาคตะวันออกของสหรัฐฯ เนื่องจากอาจ ปลูกพืชผลที่สวยงามสมบูรณ์ แล้วนำขึ้นลิฟต์เพื่อให้เทียบท่าหรือถูกปฏิเสธ นั่นเป็นเรื่องที่เจ็บปวดสำหรับผู้คน ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องพยายามเพิ่มความต้านทานและลดความเสี่ยงของ DON ให้ได้มากที่สุด" เจสสิก้ากล่าว Rutkoski ผู้ช่วยศาสตราจารย์ภาควิชา Crop Sciences ซึ่งเป็นส่วนหนึ่งของ College of Agricultural, Consumer and Environmental Sciences (ACES) ที่รัฐอิลลินอยส์ Rutkoski เป็นผู้ร่วมเขียนบทความใหม่ในวารสารPlant Phenome Journal การเพิ่มความต้านทานต่อโรคพืชใด ๆ แบบดั้งเดิมหมายถึงการปลูกพืชที่มีจีโนไทป์จำนวนมาก แพร่เชื้อด้วยโรค และมองหาอาการ กระบวนการนี้ซึ่งรู้จักกันในการปรับปรุงพันธุ์พืชว่าฟีโนไทป์จะประสบความสำเร็จเมื่อระบุจีโนไทป์ที่ดื้อยาซึ่งไม่แสดงอาการหรือมีอาการรุนแรงน้อยกว่า เมื่อเป็นเช่นนั้น นักวิจัยจะพยายามระบุยีนที่เกี่ยวข้องกับความต้านทานโรค แล้วนำยีนเหล่านั้นไปใส่ในพืชลูกผสมที่มีประสิทธิภาพสูง เป็นกระบวนการที่ยาวนานและซ้ำซาก แต่ Rutkoski หวังว่าขั้นตอนหนึ่ง - ฟีโนไทป์สำหรับอาการของโรค - สามารถเร่งได้ เธอขอความช่วยเหลือจากผู้เชี่ยวชาญด้าน AI Junzhe Wu นักศึกษาปริญญาเอกภาควิชาวิศวกรรมเกษตรและชีวภาพ (ABE) และ Girish Chowdhary รองศาสตราจารย์ใน ABE และภาควิชาวิทยาการคอมพิวเตอร์ (CS) ABE เป็นส่วนหนึ่งของ ACES และ Grainger College of Engineering ซึ่งเป็นที่ตั้งของ CS ด้วย "เราต้องการทดสอบว่าเราสามารถหาปริมาณความเสียหายของเมล็ดโดยใช้ภาพถ่ายเมล็ดธัญพืชในโทรศัพท์มือถือธรรมดาๆ ได้หรือไม่ โดยปกติแล้ว เราจะดูที่จานเพาะเมล็ดของเมล็ดพืชแล้วให้คะแนนแบบอัตนัย มันเป็นงานที่มึนงงมาก คุณต้องมีคนโดยเฉพาะ ได้รับการฝึกฝนและช้า ยาก และเป็นอัตนัย ระบบที่สามารถให้คะแนนเมล็ดข้าวโดยอัตโนมัติสำหรับความเสียหายดูเหมือนจะทำได้เพราะอาการค่อนข้างชัดเจน” Rutkoski กล่าว Wu และ Chowdhary เห็นพ้องกันว่าเป็นไปได้ พวกเขาเริ่มต้นด้วยอัลกอริทึมที่คล้ายกับที่ใช้โดยยักษ์ใหญ่ด้านเทคโนโลยีสำหรับการตรวจจับและจำแนกวัตถุ แต่ความแตกต่างเพียงเล็กน้อยของเมล็ดข้าวสาลีที่เป็นโรคและมีสุขภาพดีจากภาพถ่ายจากโทรศัพท์มือถือทำให้ Wu และ Chowdhary ต้องพัฒนาเทคโนโลยีให้ก้าวไกลยิ่งขึ้น "สิ่งหนึ่งที่ไม่เหมือนใครเกี่ยวกับความก้าวหน้านี้คือเราฝึกฝนเครือข่ายของเราให้ตรวจจับเมล็ดที่เสียหายเล็กน้อยด้วยความแม่นยำที่ดีเพียงพอโดยใช้ภาพเพียงไม่กี่ภาพ เราทำให้สิ่งนี้เป็นไปได้ด้วยการประมวลผลข้อมูลล่วงหน้าอย่างพิถีพิถัน ถ่ายโอนการเรียนรู้ และเริ่มต้นกิจกรรมการติดฉลาก "เชาดารีกล่าว "นี่เป็นอีกหนึ่งชัยชนะที่ดีสำหรับแมชชีนเลิร์นนิงและ AI เพื่อการเกษตรและสังคม" เขากล่าวเสริมว่า "โครงการนี้สร้างขึ้นบนสถาบัน AI แห่งชาติของ AIFARMS และศูนย์เพื่อการเกษตรดิจิทัลที่รัฐอิลลินอยส์ เพื่อใช้ประโยชน์จากความแข็งแกร่งของ AI เพื่อการเกษตร" ประสบความสำเร็จในการตรวจจับความเสียหายของฟิวซาเรียม - เมล็ดเล็ก เหี่ยว สีเทา หรือเป็นขุย - หมายความว่าเทคโนโลยีนี้สามารถทำนายปริมาณสารพิษของเมล็ดพืชล่วงหน้าได้ ยิ่งมีร่องรอยความเสียหายภายนอกมากเท่าไร ปริมาณ DON ก็จะยิ่งมากขึ้นเท่านั้น เมื่อทีมทดสอบเทคโนโลยีแมชชีนเลิร์นนิงเพียงอย่างเดียว ก็สามารถทำนายระดับ DON ได้ดีกว่าการให้คะแนนอาการของโรคในภาคสนาม ซึ่งผู้เพาะพันธุ์มักจะใช้แทนการใช้เคอร์เนลฟีโนไทป์เพื่อประหยัดเวลาและทรัพยากร แต่เมื่อเทียบกับการให้คะแนนความเสียหายของโรคในเมล็ดในห้องปฏิบัติการของมนุษย์ เทคโนโลยีนี้มีความแม่นยำเพียง 60% เท่านั้น อย่างไรก็ตาม นักวิจัยยังคงได้รับกำลังใจ เนื่องจากการทดสอบเบื้องต้นไม่ได้ใช้ตัวอย่างจำนวนมากในการฝึกโมเดล ขณะนี้พวกเขากำลังเพิ่มตัวอย่างและคาดว่าจะได้รับความแม่นยำมากขึ้นด้วยการปรับแต่งเพิ่มเติม "ในขณะที่จำเป็นต้องมีการฝึกอบรมเพิ่มเติมเพื่อปรับปรุงขีดความสามารถของแบบจำลองของเรา การทดสอบเบื้องต้นแสดงให้เห็นผลลัพธ์ที่น่าพึงพอใจและแสดงให้เห็นถึงความเป็นไปได้ในการจัดหาวิธีการฟีโนไทป์แบบอัตโนมัติและเป็นไปตามวัตถุประสงค์สำหรับเมล็ดพืชที่เสียหายจากเชื้อ Fusarium ซึ่งสามารถนำไปใช้อย่างกว้างขวางเพื่อสนับสนุนความพยายามในการเพาะพันธุ์ต้านทาน" Wu กล่าว Rutkoski กล่าวว่าเป้าหมายสูงสุดคือการสร้างพอร์ทัลออนไลน์ที่ผู้เพาะพันธุ์เช่นเธอสามารถอัปโหลดภาพถ่ายโทรศัพท์มือถือของเมล็ดข้าวสาลีเพื่อให้คะแนนความเสียหายของฟิวซาเรียมโดยอัตโนมัติ