美國得克薩斯大學圣安東尼奧分校（UTSA）的研究人員正在開發一種基于人工智能的顯微鏡系統，有望使土壤健康檢測變得更加快速、廉價且易于獲取。這一創新技術將為全球農民和土地管理者提供更高效的土壤檢測工具。
據IT之家了解，該研究團隊成功將低成本的光學顯微鏡與機器學習相結合，用于測量土壤樣本中真菌的存在和數量。這一處于早期階段的概念驗證技術于 7 月 9 日在布拉格舉行的戈德施密特會議上進行了展示。
土壤真菌的豐度和多樣性是評估土壤健康和肥力的重要指標，因為真菌在土壤中營養元素的生物地球化學循環、水分保持以及植物生長中發揮著關鍵作用。通過了解這些信息，農民可以優化農作物生產，提高可持續性，例如在施肥、灌溉和耕作等方面做出更明智的決策。
光學顯微鏡是最古老的顯微鏡設計，長期以來一直被用于發現和識別土壤中的微小生物。其他土壤檢測方法則采用磷脂脂肪酸測試和 DNA 分析來檢測生物體，或者測量土壤中氮、磷、鉀等化學物質的含量。盡管這些現代方法功能強大，但往往成本較高，且僅側重于化學成分，忽略了土壤生態系統的完整生物復雜性。
UTSA 科學院的亞歷克?格雷夫斯（Alec Graves）本周在戈德施密特會議上展示了這項研究，他表示：“目前的土壤生物分析方法存在局限性，要么需要昂貴的實驗室設備來測量分子組成，要么需要專家通過顯微鏡用肉眼識別生物體。全面的土壤檢測對于需要了解農業實踐對土壤健康影響的農民和土地管理者來說并不容易獲得。”
“我們利用機器學習算法和光學顯微鏡，正在開發一種低成本的土壤檢測解決方案，減少所需的人力和專業知識，同時提供更完整的土壤生物學圖景。”格雷夫斯補充道。
在他們的早期設計中，研究人員構建并測試了一種機器學習算法，用于檢測土壤樣本中的真菌生物量，并將其整合到用于標記顯微鏡圖像的定制軟件中。該軟件使用了來自得克薩斯州中南部土壤中數千張真菌圖像的數據集。該軟件適用于許多價格實惠的現成顯微鏡，包括學校實驗室中常見的 100 倍和 400 倍總放大倍數的顯微鏡。
“我們的技術通過分析土壤樣本的視頻，將其分解為圖像，并利用神經網絡識別和量化真菌。”格雷夫斯說，“我們的概念驗證已經能夠在稀釋樣本中檢測到真菌菌絲，并估算真菌生物量。”
目前，該團隊正在努力將這一技術整合到一個移動機器人平臺上，用于檢測土壤中的真菌。該系統將把樣本采集、顯微攝影和分析集成到一個設備中，他們計劃在未來兩年內出開發一個完全成熟且可部署的設備用于測試。
該研究由 UTSA 水資源研究可持續性和政策研究所所長薩加塔?達塔（Saugata Datta）教授領導，機器學習算法的詳細信息預計將于今年晚些時候在同行評審的期刊上發表。
