Análise multimodal de sementes de alface: técnicas de imagem, algoritmos de aprendizado de máquina e condicionamento fisiológico sob estresse abiótico

• Ano de defesa: 2024
• Autor(a) principal: Trujillo Samboni, Heiber Andres
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Lactuca sativa; Análise de imagens; Computer vision; Condicionamento fisiológico; Image analysis; Raios X; Seed priming; Stress tolerance; Tolerância ao estresse; Visão computacional; X-ray
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11136/tde-06122024-092659/

Esta tese apresenta uma pesquisa abrangente sobre sementes de alface, empregando diversas técnicas de análise de dados e testes de análise de sementes. Os objetivos da pesquisa incluíram: identificar o cenário da tecnologia de sementes e análise de imagens por meio de dados bibliométricos, aplicar técnicas avançadas de análise de imagens junto com algoritmos de aprendizado de máquina para avaliar a protrusão da raiz primária, utilizar imagens hiperespectrais de sementes hidrocondicionadas e compará-las com testes convencionais de análise de sementes e sua relação com o vigor das sementes, avaliar a estrutura interna das sementes pela análise radiográfica combinada com métodos estatísticos preditivos, e investigar os efeitos do condicionamento fisiológico de sementes com GABA e hidrocondicionamento em condições de estresse hídrico e salino. A análise bibliométrica revelou uma visão abrangente das tendências em tecnologia de sementes e análise de imagens, fornecendo informações valiosas para orientar futuras investigações e contribuir para o desenvolvimento da indústria de sementes. A técnica de aprendizado de máquina aplicada ao reconhecimento de parâmetros morfológicos permitiu identificar a protrusão da raiz primária nas sementes. Os parâmetros de circularidade e solidity das sementes têm um impacto significativo na protrusão da raiz primária, especialmente nos períodos de 16 e 21 horas para os cultivares Vanda e Roxa, revelando-se uma metodologia eficiente para a avaliação do vigor. O hidrocondicionamento influenciou significativamente as bandas espectrais de cada cultivar. O algoritmo Random Forest identificou bandas espectrais específicas, especialmente na faixa de 384 a 390 nm, como as mais relevantes para a previsão do estado fisiológico das sementes condicionadas. A integração de técnicas de imagem hiperespectral com algoritmos avançados de aprendizado de máquina, mostrou melhorias significativas na precisão, especificidade e sensibilidade do modelo. A análise radiográfica destacou a importância da integridade estrutural das sementes para o sucesso da germinação, mostrando que sementes intactas têm maior probabilidade de gerar plântulas normais. A análise estatística robusta revelou associações significativas entre esses fatores e a condição de germinação em ambos os cultivares, Roxa e Vanda. Tanto o GABA quanto o hidrocondicionamento mostraram-se estratégias eficazes para melhorar a tolerância das plantas de alface ao estresse hídrico e salino, promovendo melhor retenção de água, eficiência fotossintética, e equilíbrio iônico, contribuindo para um melhor desenvolvimento das plantas sob condições adversas. De tal modo, a aplicação de aprendizado de máquina para reconhecimento de parâmetros morfológicos mostrou-se útil na avaliação do vigor das sementes de alface pela protrusão da raiz primária, embora desafios de precisão ainda persistam. O hidrocondicionamento de sementes de alface pode ser identificado de forma não destrutiva e rápida com dados hiperespectrais, mas requer reavaliação considerando diferentes genótipos e lotes. A análise radiográfica mostrou sua eficácia como procedimento complementar na avaliação do potencial fisiológico das sementes. Tanto o GABA quanto o hidrocondicionamento melhoraram a tolerância das plantas ao estresse hídrico e salino, promovendo um desenvolvimento mais robusto sob condições adversas.