.
Um novo projeto da Universidade de Illinois está usando tecnologia avançada de reconhecimento de objetos para manter os grãos de trigo contaminados com toxinas fora do suprimento de alimentos e para ajudar os pesquisadores a tornar o trigo mais resistente à giberela, ou sarna, o principal inimigo da cultura.
“A giberela causa muitas perdas econômicas no trigo, e a toxina associada, desoxinivalenol (DON), pode causar problemas para a saúde humana e animal. A doença tem sido um grande impedimento para as pessoas que cultivam trigo no leste dos Estados Unidos porque podem cultivar uma safra perfeitamente boa e, em seguida, levá-la ao elevador apenas para que ela seja encaixada ou rejeitada. Isso tem sido doloroso para as pessoas. Portanto, é uma grande prioridade tentar aumentar a resistência e reduzir o risco de DON o máximo possível “, diz Jessica Rutkoski, professor assistente do Departamento de Ciências da Cultura, parte da Faculdade de Ciências Agrícolas, do Consumidor e Ambientais (ACES) em Illinois. Rutkoski é co-autor do novo artigo na Diário de Fenômenos de Plantas.
Aumentar a resistência a qualquer doença da cultura tradicionalmente significa cultivar muitos genótipos da cultura, infectá-los com a doença e procurar sintomas. O processo, conhecido no melhoramento vegetal como fenotipagem, é bem-sucedido quando identifica genótipos resistentes que não desenvolvem sintomas ou sintomas menos graves. Quando isso acontece, os pesquisadores tentam identificar os genes relacionados à resistência a doenças e, em seguida, colocam esses genes em híbridos de alto desempenho da cultura.
É um processo longo e repetitivo, mas Rutkoski esperava que uma etapa – a fenotipagem dos sintomas da doença – pudesse ser acelerada. Ela procurou a ajuda dos especialistas em IA Junzhe Wu, estudante de doutorado no Departamento de Engenharia Agrícola e Biológica (ABE), e Girish Chowdhary, professor associado da ABE e do Departamento de Ciência da Computação (CS). A ABE faz parte do ACES e do Grainger College of Engineering, que também abriga o CS.
“Queríamos testar se poderíamos quantificar os danos do kernel usando imagens simples de grãos de telefone celular. Normalmente, olhamos para uma placa de Petri de kernels e, em seguida, damos uma classificação subjetiva. É um trabalho muito entorpecente. Você tem que ter pessoas especificamente treinado e é lento, difícil e subjetivo. Um sistema que pode pontuar automaticamente os kernels quanto a danos parecia factível porque os sintomas são bastante claros “, diz Rutkoski.
Wu e Chowdhary concordaram que era possível. Eles começaram com algoritmos semelhantes aos usados por gigantes da tecnologia para detecção e classificação de objetos. Mas discernir diferenças mínimas em grãos de trigo doentes e saudáveis a partir de imagens de telefones celulares exigiu que Wu e Chowdhary avançassem ainda mais a tecnologia.
“Uma das coisas únicas sobre esse avanço é que treinamos nossa rede para detectar kernels danificados minuciosamente com precisão suficiente usando apenas algumas imagens. Tornamos isso possível por meio de pré-processamento meticuloso de dados, aprendizado de transferência e inicialização de atividades de rotulagem ”, diz Chowdhary. “Esta é outra boa vitória para o aprendizado de máquina e a IA para a agricultura e a sociedade”.
Ele acrescenta: “Este projeto se baseia no AIFARMS National AI Institute e no Center for Digital Agriculture aqui em Illinois para alavancar a força da IA para a agricultura”.
A detecção bem-sucedida de danos causados pelo fusarium – grãos pequenos, enrugados, cinza ou calcários – significava que a tecnologia também poderia prever a carga de toxina do grão; quanto mais sinais externos de dano, maior o conteúdo de DON.
Quando a equipe testou a tecnologia de aprendizado de máquina sozinha, foi capaz de prever os níveis de DON melhor do que as classificações de sintomas de doenças em campo, nas quais os criadores geralmente confiam em vez da fenotipagem do kernel para economizar tempo e recursos. Mas quando comparada com a classificação de danos causados por doenças em grãos em laboratório, a tecnologia foi apenas 60% mais precisa.
Os pesquisadores ainda estão encorajados, pois seus testes iniciais não usaram um grande número de amostras para treinar o modelo. No momento, eles estão adicionando amostras e esperam obter maior precisão com ajustes adicionais.
“Embora seja necessário mais treinamento para melhorar as capacidades de nosso modelo, os testes iniciais mostram resultados promissores e demonstram a possibilidade de fornecer um método de fenotipagem automatizado e objetivo para grãos danificados por fusarium que podem ser amplamente implantados para apoiar os esforços de criação de resistência”, diz Wu.
Rutkoski diz que o objetivo final é criar um portal on-line onde criadores como ela possam fazer upload de fotos de grãos de trigo por telefone celular para pontuação automática de danos de fusarium.
“Uma ferramenta como esta pode economizar semanas de tempo em um laboratório, e esse tempo é crítico quando você está tentando analisar os dados e preparar o próximo teste. E, finalmente, quanto mais eficiência pudermos trazer para o processo, mais rápido pode melhorar a resistência ao ponto em que a sarna pode ser eliminada como um problema”, diz ela.
.
