Efektivní a přesné měření morfologických a fyziologických vlastností rostlin umožňuje systém AMULET. Při jeho vývoji spolupracovali odborníci na rostlinný výzkum i informatici z CATRIN Univerzity Palackého, VŠB-Technické univerzity Ostrava a Imperial College London a výsledek představili v odborném časopise Computers and Electronics in Agriculture. Díky propojení řady zobrazovacích metod s pokročilými algoritmy strojového učení systém umožňuje předpovědět na základě získaných dat další vývoj a kondici rostlin, což jsou stěžejní informace pro pěstitele i šlechtitele zemědělských plodin.
„Ve studii jsme prokázali, že AMULET může výrazně zlepšit proces zpracování dat z fenotypizace, tedy sledování a hodnocení vlastností rostlin v závislosti na prostředí. To je klíčové pro šlechtění rostlin a výzkum v oblasti zemědělství. Tento přístup umožňuje rychlejší a přesnější analýzu rostlinných vlastností, což může přispět k vývoji odolnějších a výnosnějších plodin,“ uvedla jedna z autorek článku Nuria De Diego.
Model AMULET zpracovává obrazy získané pomocí cenově dostupné RGB kamery. Vědci ho natrénovali na více než 30 000 snímcích modelové rostliny huseníčku rolního, ale prokázali, že ho lze využít i na zemědělské plodiny, jako je brambor.
„Systém zahrnuje detekci rostlin, odhad budoucího vývoje, třídění i analýzu dat. Vylepšuje fenotypizaci tím, že využívá pokročilý model umělé inteligence, který dokáže předvídat vývoj obrazových dat s vysokou přesností. Tato schopnost přináší výhody celé škále uživatelů – od vědců až po zemědělce – například tím, že zkracuje trvání experimentů, umožňuje včasnou detekci stresu rostlin nebo rychlejší rozpoznání nezdravých jedinců,“ objasnil první autor článku Jan Zdražil z CATRIN a doktorand na Fakultě elektrotechniky a informatiky VŠB-TUO.
Výzkumníci AMULET otestovali také u rostlin, které se „potkaly“ s patogenem Pseudomonas syringae. AMULET dokázal odhalit i takové znaky rostlin, které jsou pro lidské oko obtížně postřehnutelné, ale výrazně přispívají k pochopení reakce rostlin na konkrétní podmínky růstu.
„AMULET se osvědčil i při prognóze nástupu chorob u rostlin ještě předtím, než se projeví první viditelné příznaky, čímž umožňuje včasnou intervenci a minimalizaci ztrát na výnosu. Díky tomu bude možné rychleji a citlivěji zasáhnout a efektivněji tak chránit zdraví plodin,“ doplnila De Diego.
AMULET vznikl za podpory evropského projektu PATAFEST z programu Horizon Europe RIA. Ačkoli je podle odborníků nutné funkčnost systému ještě dále testovat pro různé podmínky a rostlinné druhy, už nyní představuje průlomový nástroj, který může zásadně zefektivnit fenotypizaci – od detekce až po analýzu dat. Pokud se z praxe podaří získat data pro ověření modelu, jeho využití ve šlechtitelských programech a zemědělství může v dohledné době přispět k vyšší vitalitě a výnosu plodin a umožnit péči o rostliny s menším časovým a pracovními nároky.