/https%3A%2F%2Fs3.eu-central-1.amazonaws.com%2Fmedia.my.ua%2Ffeed%2F434%2F3cf6e1ea90051b73068de769747dbb2c.jpg)
Штучний інтелект вдосконалює класичну мікроскопію для тестування стану ґрунту на фермах - ЗМІ
Американські дослідники розробляють систему мікроскопа на базі штучного інтелекту для швидшого та доступнішого тестування ґрунту. Технологія, що поєднує оптичну мікроскопію з машинним навчанням, дозволить вимірювати наявність грибів у зразках ґрунту.
Американські дослідники розробляють систему мікроскопа на базі штучного інтелекту. Це може зробити тестування стану ґрунту швидшим, дешевшим та доступнішим для фермерів та землекористувачів у всьому світі. Про це пише УНН з посиланням на PHYS.org.
Деталі
Дослідники з Техаського університету в Сан-Антоніо, США, успішно поєднали недорогу оптичну мікроскопію з машинним навчанням для вимірювання наявності та кількості грибів у зразках ґрунту. Їхня технологія на ранній стадії перевірки концепції буде представлена на конференції Голдшмідта в Празі в середу, 9 липня.
Визначення чисельності та різноманітності ґрунтових грибів може дати цінну інформацію про здоров'я та родючість ґрунту, оскільки гриби відіграють важливу роль у біогеохімічному кругообігу поживних речовин, утриманні води та рості рослин.
Маючи ці знання, фермери можуть оптимізувати виробництво сільськогосподарських культур та сталий розвиток, приймаючи обґрунтовані рішення щодо управління ґрунтом, включаючи внесення добрив, зрошення та обробіток ґрунту.
Оптичні мікроскопи є найстарішою конструкцією мікроскопа і вже давно використовуються для виявлення та ідентифікації крихітних організмів у ґрунті. Інші форми тестування ґрунту використовують такі методи, як тестування фосфоліпідних жирних кислот та аналіз ДНК, для виявлення організмів або для вимірювання наявності хімічних речовин, таких як азот, фосфор та калій.
Хоча ці сучасні методи є потужними, вони, як правило, є дорогими або ж просто наголошують на хімічному складі, часто не враховуючи всю біологічну складність ґрунтових екосистем.
Алек Грейвз з Техаського університету в Коледжі наук Сан-Антоніо, США, представляє дослідження на конференції Голдшмідта цього тижня.
Сучасні форми біологічного аналізу ґрунту обмежені, вимагаючи або дорогого лабораторного обладнання для вимірювання молекулярного складу, або експерта для візуальної ідентифікації організмів за допомогою лабораторних мікроскопів. Комплексне тестування ґрунту не є широко доступним для фермерів та землевласників, яким потрібно розуміти, як сільськогосподарські практики впливають на здоров'я ґрунту. Використовуючи алгоритми машинного навчання та оптичний мікроскоп, ми створюємо недороге рішення для тестування ґрунту, яке зменшує необхідні витрати праці та досвіду, водночас надаючи більш повну картину біології ґрунту
На ранній стадії розробки дослідники створили та протестували алгоритм машинного навчання для виявлення грибкової біомаси у зразках ґрунту, включивши його до спеціального програмного забезпечення для маркування зображень мікроскопа. Це було створено з використанням набору даних з кількох тисяч зображень грибів з ґрунтів по всьому Південно-Центральному Техасу. Програмне забезпечення працює лише зі 100-кратним та 400-кратним загальним збільшенням мікроскопа, доступним у багатьох доступних готових мікроскопах, включаючи ті, що знаходяться в шкільних лабораторіях.
Наша методика аналізує відео зразка ґрунту, розбиває його на зображення та використовує нейронну мережу для ідентифікації та кількісної оцінки грибів. Наше перевірочне дослідження вже може виявляти грибкові нитки у розведених зразках та оцінити біомасу грибів
Зараз команда працює над інтеграцією своєї методики в мобільну роботизовану платформу для виявлення грибів у ґрунті. Система поєднуватиме збір зразків, мікрофотографію та аналіз в одному пристрої. Вони прагнуть мати повністю розроблений, розгортаний пристрій, готовий до тестування протягом наступних двох років.
Дослідження очолює професор Саугата Датта, директор Інституту досліджень сталого розвитку та політики водних ресурсів при UTSA. Деталі алгоритму машинного навчання мають бути опубліковані в рецензованому журналі пізніше цього року.

