Augļaugu selekcija ir darbietilpīgs process, kas saistīts ar liela apjoma selekcijas materiāla izvērtēšanu un aprakstīšanu jeb fenotipēšanu, kā arī prasa lielus darbaspēka un laika resursus. Turklāt, aprakstot vizuāli pazīmes vai vērtējot parametrus, piemēram, ražu ballēs, vienmēr iespaidu atstāj subjektīvais faktors, kas faktiski padara vērtēšanas rezultātus lielā mērā atkarīgus no vērtētāja subjektīvās pieejas, neskatoties
uz to, ka tiek izmantotas vispār pieņemtās vērtēšanas metodikas. Lai paātrinātu un precizētu šo procesu, arvien plašāk selekcijā, tāpat kā citās lauksaimniecības jomās, tiek izmantotas precīzās tehnoloģijas: droni
un pašgājējas platformas, datorredze, hiperspektrālās un infrasarkanās kameras, kā arī NDVI (normalizēta atšķirīgās veģetācijas indeksa) sensori1.

Līdz šim Latvijā augļaugu selekcijas materiāla vērtēšanā lauka apstākļos izmantotas tikai tradicionālās vērtēšanas metodes, t.sk. vērtējot pazīmes vizuāli ballēs, sverot un mērot augu parametrus: ražu, augļu
masu. Apvienojot iepriekš uzkrātās zināšanas aveņu un krūmcidoniju selekcijā ar modernām vērtēšanas un mašīnmācīšanas metodēm, iespējams palielināt selekcijas procesa efektivitāti, saīsinot tam nepieciešamo laiku un samazinot darbaspēka patēriņu.

2021. gadā tika uzsākta projekta Nr. lzp-2020/1-0353 “Aveņu un krūmcidoniju vieda bezkontakta fenotipēšana, izmantojot mašīnmācīšanās metodes, hiperspektrālos un 3D attēlus” īstenošana. Projekta mērķis ir izstrādāt metodoloģiju un rīkus augsti efektīvai un precīzai neinvazīvai aveņu un krūmcidoniju ražas komponentu fenotipēšanai.

Veicot aveņu un krūmcidoniju ražas elementu - ziedpumpuru, ziedu, ogu un augļu aizmetņu, kā arī gatavu ogu un augļu fotografēšanu ar mobilā telefona kameru, tika veikta attēlu marķēšana Python Labellmg programmā, lai apmācītu mākslīgo intelektu ražas elementu atpazīšanā. Attēlu atpazīšanā tika izmantots apmācīts YOLOv5 detektors. Mākslīgā intelekta apmācīšanu veica Elektronikas un datorzinātņu institūta
zinātnieki.

Attēlā: Aveņu attēlu detektēšanas rezultāti, kas iegūti ar apmācītu YOLOVv5 detektoru

Attēlā: Krūmcidoniju detektēšanas rezultāti, kas iegūti ar apmācītu YOLOv5 detektoru

Izmantojot apmācītu attēlu detektoru, iespējams veikt ražas elementu uzskaiti, kā arī ražas prognozēšanu. Veicot hibrīdu ražības vērtēšanu un labāko hibrīdu atlasi ar apmācītu attēlu detektoru, iespējams, ievērojami uzlabot vērtēšanas objektivitāti un saīsināt tam nepieciešamo laiku. Atšķirībā no lauka kultūrām, kuru vērtēšanai izmanto ar sensoriem un attēlu uzņemšanas kamerām aprīkotas platformas, aveņu un citu augļaugu vērtēšanai ērtāk izmantojamas būtu vienkāršas pārnēsājamās foto kameras, bet liela auguma augļaugiem, piemēram, ābelēm -ar kamerām aprīkoti droni.

Attēlā: 3D attēlu izmantošana augļu un ogu fenotipēšanā: krūmcidoniju fotografēšana ar 3D kameru

Augļu raksturošanai pēc atsevišķām pazīmēm tiek izmantoti arī 3D attēli. Gan avenēm, gan krūmcidonijām tiek izstrādāta uz 3D attēliem balstīta ogu/augļu fenotipēšanas metode. Izmantojot 3D punktu mākoni, tiek
noteiktas ogu atrašanās pozīcijas un ar to izmēriem saistītie parametri, piemēram, augļu augstums, platums, forma, un citi fenotipēšanas indeksi.

Augļu krāsas, gatavības un citu kvalitatīvo īpašību raksturošanai tiek izstrādāta dziļa neironu tīkla sistēma
hiperspektrālo attēlu apstrādei. Augļu spektrālā analīze būs noderīga fenotipēšanas procesā, lai noteiktu augļu gatavību, kā arī citu faktoru ietekmi uz augļu kvalitāti, piemēram, ūdens saturu augļos vai krusas bojājumu apjomu.

Attēlā: 3D attēlu izmantošana augļu un ogu fenotipēšanā: aveņu ogas sagatavotas fotografēšanai 

Projektā izstrādātās metodes būs noderīgas ne tikai selekcijas procesā, bet arī augļu ražošanā, lai ātri veiktu ražas prognozēšanu, novērtētu augļu kvalitāti un gatavību. Turklāt, piemēram, ražas prognozēšanai izmantojot parasto foto kameru, tas neizmaksās dārgi, bet ievērojami samazinās izvērtēšanai nepieciešamo laiku un uzlabos veikto prognožu precizitāti. Šī metode arī palīdzēs ātri novērtēt dabas apstākļu radīto
augļu bojājumu apjomus, bet dronu iesaiste ļaus ātri izvērtēt arī lielākas dārzu platības.

Attēlā: 3D attēlu izmantošana augļu un ogu fenotipēšanā: aveņu ogu iegūtais 3D attēls