ES2971523T3 - Método y aparato para clasificar una semilla como endogámica o hibrida - Google Patents
Método y aparato para clasificar una semilla como endogámica o hibrida Download PDFInfo
- Publication number
- ES2971523T3 ES2971523T3 ES15702854T ES15702854T ES2971523T3 ES 2971523 T3 ES2971523 T3 ES 2971523T3 ES 15702854 T ES15702854 T ES 15702854T ES 15702854 T ES15702854 T ES 15702854T ES 2971523 T3 ES2971523 T3 ES 2971523T3
- Authority
- ES
- Spain
- Prior art keywords
- seed
- signal
- detector
- terahertz
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 31
- 230000003595 spectral effect Effects 0.000 claims description 27
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 16
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 18
- 230000005855 radiation Effects 0.000 description 18
- 235000001014 amino acid Nutrition 0.000 description 14
- 229940024606 amino acid Drugs 0.000 description 14
- 150000001413 amino acids Chemical class 0.000 description 14
- 238000012706 support-vector machine Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 13
- 230000002068 genetic effect Effects 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 102000004169 proteins and genes Human genes 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 235000018102 proteins Nutrition 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 229920001903 high density polyethylene Polymers 0.000 description 4
- 239000004700 high-density polyethylene Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 2
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 2
- 239000004471 Glycine Substances 0.000 description 2
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 2
- HNDVDQJCIGZPNO-YFKPBYRVSA-N L-histidine Chemical compound OC(=O)[C@@H](N)CC1=CN=CN1 HNDVDQJCIGZPNO-YFKPBYRVSA-N 0.000 description 2
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 description 2
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 2
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 description 2
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013922 glutamic acid Nutrition 0.000 description 2
- 239000004220 glutamic acid Substances 0.000 description 2
- HNDVDQJCIGZPNO-UHFFFAOYSA-N histidine Natural products OC(=O)C(N)CC1=CN=CN1 HNDVDQJCIGZPNO-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 229960000310 isoleucine Drugs 0.000 description 2
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 235000000346 sugar Nutrition 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 244000003416 Asparagus officinalis Species 0.000 description 1
- 235000005340 Asparagus officinalis Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 229920002799 BoPET Polymers 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000298479 Cichorium intybus Species 0.000 description 1
- 235000007542 Cichorium intybus Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 239000005041 Mylar™ Substances 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 101150004026 SOP1 gene Proteins 0.000 description 1
- 101100508810 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) INP53 gene Proteins 0.000 description 1
- 101100366622 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SRO7 gene Proteins 0.000 description 1
- 101100366621 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SRO77 gene Proteins 0.000 description 1
- 101100217143 Schizosaccharomyces pombe (strain 972 / ATCC 24843) arc1 gene Proteins 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 241000030538 Thecla Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 208000022602 disease susceptibility Diseases 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 235000021317 phosphate Nutrition 0.000 description 1
- 150000003013 phosphoric acid derivatives Chemical class 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 235000007686 potassium Nutrition 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 230000010153 self-pollination Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 101150083500 sop-2 gene Proteins 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910001868 water Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Toxicology (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Un aparato para clasificar una semilla como endogámica o híbrida comprende una fuente de señal de terahercios para emitir una señal de terahercios hacia la semilla, un detector para detectar al menos parte de la señal de terahercios que ha interactuado con la semilla, un escáner para mover el soporte con respecto a la señal de terahercios para proporcionar un escaneo de la semilla, un dispositivo de procesamiento de datos para formar datos de imagen a partir de la señal de terahercios detectada obtenida para una pluralidad de posiciones durante el escaneo de la semilla, y un sistema de soporte de decisiones para proporcionar una clasificación a partir de la imagen datos. En una realización, la fuente de señal de terahercios está dispuesta para emitir una señal de onda continua o de pulso, y en la que el detector está dispuesto para detectar una amplitud y una fase de la señal de terahercios que ha interactuado con la semilla. Una señal que representa un resultado de la clasificación Podrá disponer de un separador para separar las semillas según su clasificación. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Método y aparato para clasificar una semilla como endogámica o híbrida
La invención se refiere a un aparato y a un método para clasificar una semilla como endogámica o híbrida. Además, la invención se refiere a un uso de un sistema de terahercios y a un sistema de selección de semillas.
En la producción de cultivos, se desean altos rendimientos para obtener una gran cantidad de cultivo por acre de tierra. Por lo tanto, muchos factores, como el clima, la composición del suelo, la nutrición, etc. juegan un papel. La calidad de la semilla a partir de la cual se cultiva la cosecha también juega un papel relevante, ya que las propiedades genéticas de la planta tienen un impacto sustancial en la calidad y cantidad del cultivo, así como en la susceptibilidad a enfermedades, la dureza para soportar un determinado clima, etc. Un factor relevante es la pureza genética de la semilla para poder mantener las propiedades genéticas deseadas de la semilla.
Se sabe que ciertos cultivos, como el arroz, se auto-polinizan. La auto-polinización puede resultar en semillas con baja diversidad genética. La baja diversidad genética a su vez puede conducir a la segregación de rasgos, rendimientos más bajos y deterioro genético de las variedades.
Por lo tanto, existe una gran necesidad de distinguir una pureza genética de una semilla, con el fin de permitir la selección rápida y precisa de semillas híbridas de semillas consanguíneas, por ejemplo, para proporcionar una selección de semillas híbridas de pureza genética de alto nivel a los agricultores para fines comerciales cultivo.
La estimación de la diferencia genotípica de una semilla se ha realizado de varias maneras. Estas maneras incluyen métodos destructivos, tales como métodos morfológicos, bioquímicos, marcadores de ADN (huellas dactilares de ADN):
- los marcadores morfológicos están influenciados por las condiciones ambientales, son laboriosos y requieren mucho tiempo;
- los marcadores bioquímicos como la isoenzima y los patrones de proteínas son menos influenciados por el medio ambiente, sin embargo, presentan un polimorfismo limitado y comúnmente no permiten la discriminación entre líneas consanguíneas estrechamente relacionadas;
- los marcadores de ADN (por ejemplo, los marcadores SSR) siguen consumiendo mucho tiempo.
Además, se conocen algunos métodos no destructivos. Un ejemplo es hacer uso de la radiación infrarroja cercana.
- La semilla se ilumina con luz de un espectro NIR predefinido y se miden las características espectrales de la luz reflejada/transmitida.
- La espectroscopia de reflexión NIR es una técnica importante que se usa ampliamente para el análisis de muestras de granos y semillas. La información espectral obtenida para las muestras de semillas bajo investigación puede ser examinada adicionalmente para proporcionar información cuantitativa sobre parámetros vitales de composición, tales como proteína, carbohidratos, grasa, humedad y contenido de azúcar mediante quimiometría y modelos de calibración apropiados.
NIR es una técnica secundaria y, por lo tanto, la precisión de los instrumentos NIR depende de la precisión de la calibración y de la similitud de una composición de una muestra de calibración con una muestra a analizar.
Además, las variaciones en los factores ambientales, tales como la humedad y la temperatura, pueden tener un efecto sobre la información espectral obtenida de la muestra, influyendo así potencialmente en la exactitud de la técnica NIR. Además, la radiación NIR sólo penetra en una capa superficial del tejido de la semilla que limita el cuerpo y la cantidad de material genético a muestrear.
La técnica anterior relevante es:
- Ferguson B.: "Three dimensional T-ray inspection systems", diciembre de 2004, tesis PhD;
- WO 2012/048897 A1
La invención pretende proporcionar una alternativa para clasificar la semilla.
Para conseguir este objetivo, de acuerdo un aspecto de la invención se proporciona un aparato como se define en la reivindicación 1.
En comparación con las técnicas conocidas, la señal en THz puede penetrar más profundamente en la muestra, proporcionando así información acerca de una composición de la muestra desde una parte más profunda de la muestra en lugar de una zona más superficial solamente. Debido a la penetración más profunda en la muestra, se puede obtener más información de la muestra.
Además, la señal en THz puede proporcionar datos espectrales, por una parte, así como una imagen de información de amplitud e información de fase por otra parte. Se pueden usar los datos espectrales, así como la información de amplitud y fase. Como los mecanismos de contraste dieléctricos (fase) que indican las propiedades dieléctricas del material bajo investigación son fuertes a las frecuencias THz, los patrones ocultos en la semilla pueden ser revelados con mayor fiabilidad. Además, generalmente, la radiación THz penetra a través e interactúa con materiales no conductores y no polares, siendo al mismo tiempo sensible al agua, potasio, fosfatos, azúcares, aminoácidos, proteínas, etc.
Las proteínas son constituyentes básicos de todos los organismos vivos y compuestas de moléculas orgánicas, llamadas aminoácidos que se unen covalentemente por enlaces peptídicos. El ADN contiene la información genética que dicta la secuencia específica de aminoácidos. La composición relativa de proteína, aceite y almidón en el núcleo de la semilla tiene un gran componente genético. Las predicciones de la composición del núcleo usando radiación pueden permitir la selección rápida de semillas individuales con los rasgos deseados.
La medición de la intensidad de absorción, transmisión y reflexión de la radiación THz (amplitud) y/o la medición del retardo de la señal en THz (fase) proporciona información sobre una condición del núcleo de la semilla, como sustancias relacionadas con las propiedades genéticas de la semilla (por ejemplo, aminoácidos) interactúan con la radiación en terahercios, que puede tender a permitir obtener información sustancialmente exacta sobre los aspectos de la semilla que pueden ser relevantes para clasificar la semilla como híbrida o endogámica, mientras que varias sustancias en la semilla son menos relevantes para la estimación de las características endogámicas/híbridas, pueden tender a interactuar con la radiación en terahercios de una manera diferente. Se forman datos de imagen a partir del sistema de salida del detector, los datos de imagen pueden ser una imagen espectral de la semilla, una imagen bidimensional de la semilla (por ejemplo, derivada de mediciones de amplitud y/o fase), por ejemplo, para una frecuencia particular o para un conjunto de frecuencias o una imagen tridimensional (por ejemplo, derivada de mediciones de amplitud y/o fase), por lo que se incluye información de profundidad en la imagen. El sistema de soporte de decisión deriva una clasificación de los datos de imagen. Como los datos de imagen se basan en la radiación en THz, las sustancias que son relevantes para la clasificación de la semilla (tales como aminoácidos) tienen un efecto sustancial sobre la imagen, pudiendo así clasificar la semilla de una manera fiable. El sistema de soporte de decisión puede estar formado por un software adecuado, ejemplos de los cuales se explicarán con más detalle a continuación.
En este documento, el término terahercios (también abreviado como THz) puede entenderse como un intervalo de frecuencias de 10 GHz - 10000 GHz, es decir, 0,01 THz a 10 THz.
La fuente de señales en terahercios puede comprender un solo generador de señales o un conjunto de generador (es), mezclador (es), fuente (es) de impulsos, fuente de onda continua, etc. que conjuntamente den como resultado la generación de una señal en terahercios que se emita para formar una señal en terahercios que interactúe con la semilla.
La señal en terahercios generada por la fuente de señales en terahercios puede ser cualquier tipo de señal, tal como una señal eléctrica conducida por un conductor eléctrico o una guía de ondas, o un campo electromagnético, por ejemplo, un tipo campo cercano o campo lejano.
Un acoplamiento de la señal en terahercios con la semilla puede ser cualquier tipo de acoplamiento, tal como un acoplamiento de campo electromagnético, por ejemplo, tipo campo cercano o campo lejano. La señal detectada por el detector puede ser una transmisión y/o una reflexión de la señal en terahercios que haya interactuado con la semilla.
El detector puede comprender una unidad de detección (que comprenda, por ejemplo, una lente y un receptor de terahercios, una antena y un receptor de terahercios o similar) y un circuito de detección, por ejemplo, que comprenda uno o más mezcladores, líneas de retardo, detectores síncronos, filtros, amplificadores, etc., con el fin de derivar la señal de detección. La fuente de señales y el detector pueden estar integrados en algunas modalidades: por ejemplo, al derivar información de fase de la radiación en terahercios detectada, el circuito de detección del detector puede hacer uso de una señal de referencia obtenida del generador de señales en terahercios.
La fuente de señales y el detector pueden hacer uso de componentes que funcionen a temperatura ambiente. También, se puede hacer uso de componentes o partes de circuito enfriados, por ejemplo, usando enfriamiento criogénico.
Para obtener una imagen (es decir, un conjunto de datos que, por ejemplo, represente al menos una representación bidimensional de los datos de medición obtenidos por el detector), son posibles varios enfoques, como se describirá brevemente a continuación.
En primer lugar, se puede usar una pluralidad de señales en terahercios. De este modo, se puede hacer uso de una pluralidad de fuentes de señales, una pluralidad de detectores o ambos. Como resultado, se puede realizar una pluralidad de detecciones, por ejemplo, una por detector, con el fin de obtener una pluralidad correspondiente de puntos de datos, representando cada uno una medida en un punto particular de la semilla. Las señales (y correspondientemente, los puntos en la semilla que se midan) pueden estar dispuestas en forma de una línea (una matriz unidimensional) o en una forma de una matriz bidimensional. En el caso de una matriz unidimensional, puede usarse un movimiento de escaneo de la semilla para complementar la matriz unidimensional de detección hacia una imagen bidimensional (el escaneo, por ejemplo, en una dirección perpendicular a la línea a lo largo de la cual se localizan los puntos en la semilla en donde las señales interactúan con la semilla). La pluralidad de señales en terahercios emitidas puede generarse cada una por su propio circuito, aunque también es posible que se use uno o más divisores para dividir una sola señal de una sola fuente de señales en varias. En segundo lugar, se puede hacer uso de un escáner. De este modo, el aparato puede comprender un escáner para mover el soporte con relación a la señal en terahercios para proporcionar un escaneo de la semilla, estando dispuesto el dispositivo de procesamiento de datos formando datos de imagen desde la señal de salida del detector, obtenidos para una pluralidad de posiciones durante el escaneo de la semilla. Con el fin de obtener una imagen, el escáner está dispuesto para realizar un movimiento de escaneo por el que la señal en terahercios (por ejemplo, un haz) se mueve con respecto a la semilla o viceversa. El escáner puede mover el soporte, el haz de señal en terahercios emitido o ambos. El haz de señal en terahercios emitido puede moverse por cualquier medio adecuado, tal como mover una parte de acoplamiento de la fuente de señal y/o detector, etc. El movimiento puede estar formado por un movimiento en al menos dos dimensiones, por ejemplo, escanear un plano sustancialmente perpendicular a la dirección de propagación de la radiación THz hacia la semilla. La información de profundidad puede añadirse incluyendo adicionalmente un escaneo en una dirección paralela a la dirección de propagación de la radiación THz. El movimiento de escaneo puede además de los movimientos descritos anteriormente o en su lugar también comprender una rotación, por ejemplo, a lo largo de 2 o 3 ejes de rotación para obtener datos de imagen circunferencial de la semilla que será probada, permitiendo probar formas geométricamente complejas.
Durante la realización del escaneo, el detector detecta sucesivamente al menos parte de la radiación en terahercios que ha interactuado con la semilla, para las diferentes posiciones de escaneo y/o ángulos de escaneo. Durante el escaneo, la fuente puede generar la radiación de terahercios continuamente que puede proporcionar un procesamiento rápido, ya que la medición puede realizarse durante el movimiento de escaneo. Como alternativa, el escáner puede proporcionar sucesivamente posiciones de escaneo estacionarias en una secuencia, lo que puede proporcionar mediciones más precisas (por lo tanto, una calidad y estimación de imagen más alta), posiblemente a un tiempo de procesamiento algo más largo.
Como ya se indicó anteriormente, puede proporcionarse una combinación de escaneo y una pluralidad de señales terahercios emitidas, por ejemplo, en el ejemplo de una matriz unidimensional de señales, combinada con un escaneo en dirección perpendicular. Otro método es una matriz bidimensional de señales, completada por un escaneo para aumentar una resolución, es decir, aumentar un número de puntos de datos de los datos de imagen explorando en un intervalo espacial entre los puntos de la matriz bidimensional. Otro ejemplo más es la combinación de una única fuente de señal y un solo detector con un escáner unidimensional que proporcione un movimiento de escaneo a lo largo de una única dirección. El detector único en combinación con el movimiento unidimensional del escáner proporciona una imagen tipo línea, que comprende una señal continua o una pluralidad de píxeles que representan una imagen tipo línea. En particular, en caso de que el escáner se forme por un transportador que alimente la semilla dentro o a través del aparato, un rápido (sin escaneo adicional), fiable (que dé una imagen de línea que permita una mejor estimación entonces habría sido posible con una sola medición únicamente) y estimación de bajo costo.
El dispositivo de procesamiento de datos forma una imagen a partir de la señal de salida del detector. Se puede usar una variedad de técnicas.
En una modalidad, los datos de imagen forman un solo píxel (es decir, los datos de imagen están formados por un único valor), el dispositivo de procesamiento de datos con lo que se forman datos de imagen de píxeles individuales, por ejemplo, usando amplitud de la señal de detección, fase de la señal de detección o una combinación de los mismos. De este modo, puede proporcionarse una determinación rápida, que puede ser suficiente para, por ejemplo, reconocer una semilla vacía. Dicha determinación de píxeles puede usarse también como un pre-escaneo, es decir, en caso de que la determinación de píxeles individuales proporcione que la semilla esté vacía o de otra manera fuertemente afectada, el proceso se detiene, mientras que, de otro modo, se inicia una captura de imagen más detallada para llevar a cabo una clasificación más precisa. Este enfoque de dos pasos puede hacer que la clasificación sea más rápida, ya que obviamente las semillas con defectos pueden ser reconocidas relativamente rápido. En otra modalidad, se captan varios píxeles (es decir, una señal de detector en varios puntos de la semilla) por el dispositivo de procesamiento de datos. Para ello, puede hacerse uso de escaneo como se ha descrito anteriormente, varias señales en terahercios emitidas como se ha descrito anteriormente, o ambas.
Los datos de imagen pueden comprender, por tanto, un solo valor, un patrón unidimensional, un patrón bidimensional, un patrón tridimensional, los patrones, por ejemplo, comprendiendo un patrón de reflexión, un patrón de absorción, un patrón de tiempo de señal recibida, etc.
En una modalidad, el dispositivo de procesamiento de datos está dispuesto para derivar una imagen a partir de la salida combinada del detector y la información de posición y/o ángulo (como puede ser proporcionada por el escáner o derivada de un dimensionamiento de haz de señal múltiple) con el fin de construir la imagen a partir de una combinación de datos de posición y detector.
El dispositivo de procesamiento de datos y el sistema de soporte de decisión se pueden implementar como software para ser ejecutado en un dispositivo informático, tal como una computadora, un microcontrolador, una red informática distribuida o cualquier otra disposición de procesamiento de datos. El dispositivo de procesamiento de datos y el sistema de soporte de decisión pueden ser entidades separadas (por ejemplo, programas de software independientes o incluso dispositivos de cálculo independientes a los que se les asigne una tarea de procesamiento de datos o soporte de decisión), sin embargo también es posible que el dispositivo de procesamiento de datos y el sistema de soporte de decisión estén integrados, por ejemplo implementados como procesos de software que se ejecuten en un solo programa de software. El sistema de soporte de decisión puede proporcionarse localmente, por ejemplo, implementado por una computadora que se encuentre en el sitio donde se realicen las mediciones, aunque también es posible que el soporte de decisión (o parte del mismo) se encuentre a distancia, por ejemplo, haciendo uso de una base de datos remota de reglas de decisión, referencias, imágenes de referencia, etc..
El sistema de soporte de decisión se puede implementar generalmente como comprendiendo un conjunto de reglas y referencias, y está dispuesto para proporcionar un posible resultado basado en dicho conjunto de reglas y referencias. Las referencias pueden comprender, por ejemplo, imágenes de referencia, umbrales de referencia para determinados parámetros (como el tamaño de la semilla, el tamaño del área definida en la imagen en la semilla que exhiben para cumplir con un criterio predefinido, etc.). Las reglas pueden indicar que una semilla que tenga una propiedad medida que exceda un valor del umbral correspondiente debe clasificarse en al menos uno de híbrida y consanguínea, etc. Las reglas pueden proporcionar además reglas de comparación, por ejemplo, para asignar un resultado de clasificación a la semilla con base en la comparación de los datos de imagen de la semilla con los datos de imagen de referencia. La regla puede, por ejemplo, asignar a la semilla la misma clasificación que la clasificación de los datos de imagen de referencia que aparezcan (a partir de la comparación) como la más próxima, es decir, la más similar. Como otro ejemplo se puede tomar un promedio o promedio ponderado de la clasificación de un subconjunto de los datos de imagen de referencia de semillas que parecen ser muy similares, etc.
El término clasificación como endogámica o híbrida debe entenderse como una asignación de una clase a la semilla, en donde la clase se selecciona de un grupo que comprende endogámicas e híbridas. Pueden proporcionarse también clases adicionales relacionadas con otras propiedades genómicas de una semilla. El término semilla debe entenderse de manera que comprenda cualquier semilla. En una modalidad, la semilla es una semilla de planta. El término semilla de planta debe entenderse de manera que incluya semillas de grano, semillas de hortalizas, semillas de flores, etc. Ejemplos no limitantes de una semilla de planta pueden incluir semilla de maíz, trigo, arroz, espárrago, achicoria, semilla de tomate, semilla de pimiento, semilla de cebolla, semilla de zanahoria, semilla de pepino, etc. En una modalidad, la semilla de la planta es una semilla vegetal, una semilla de flor, una semilla de grano, etc.
La clasificación (y una señal correspondiente) puede estar formada por un valor discreto, por ejemplo, un valor digital, por ejemplo, una clase: "híbrida" o "endogámica", etc. El término híbrido, también denominado heterocigótico, puede entenderse como referente a la producción de descendencia mediante la cruza entre dos padres genéticamente disímiles. El término endogámico, también denominado homocigótico, puede entenderse como referente a la producción de descendencia a partir del apareamiento o crianza de padres que estén estrechamente relacionados genéticamente o sean genéticamente iguales.
El aparato de acuerdo con la invención puede comprender además un separador. El separador puede tener una entrada de control que reciba una señal representativa de la clasificación de la semilla como endogámica o híbrida, y puede separar las semillas en consecuencia. El separador puede, por ejemplo, comprender un clasificador o cualquier otro dispositivo de separación. El separador, que también se puede denominar selector, como se describe a continuación, puede realizar una selección en consecuencia.
En otra modalidad, la clasificación proporciona un valor en un intervalo, tal como un valor numérico, que tiene un intervalo que expresa, por ejemplo, la probabilidad de que la semilla pertenezca a una cierta clase, el valor, por ejemplo, que va desde altamente probable de ser híbrida a muy probable que sea consanguínea. El separador puede por consiguiente clasificar las semillas en diferentes categorías de acuerdo con su probabilidad de ser endogámicas o híbridas, por ejemplo, al clasificar las semillas en semillas que sean altamente susceptibles de ser consanguíneas, semillas que sean altamente probables de ser consanguíneas y semillas restantes. Pueden preverse fácilmente técnicas de clasificación más refinadas de acuerdo con un valor de clasificación.
La fuente de señales en terahercios puede generar directamente una señal en la banda de frecuencias en terahercios. Como alternativa, pueden usarse técnicas de conversión, técnicas de mezcla u otras técnicas para convertir una señal inicial en una banda de frecuencias inferior en una señal en terahercios. De manera similar, el detector puede detectar inmediatamente una señal de banda en terahercios. Además, se pueden usar técnicas de conversión descendente, mezcla u otras técnicas para convertir en una banda de frecuencias más bajas antes de la detección o como parte de la detección. Por ejemplo, se puede aplicar una conversión de conversión hacia arriba y hacia abajo a la banda de frecuencias de microondas, permitiendo el uso de equipos de microondas, por ejemplo, para medir amplitud y fase, por ejemplo, usando un analizador de red de vectores de microondas. Se puede proporcionar un acoplador que acople la señal generada por el generador de señales, a la semilla. Además, la frecuencia de la señal en THz puede ser continua o barrida o la señal en THz puede ser pulsada como, por ejemplo, en la técnica de reflectómetro de dominio de tiempo (TDR) o de THz en dominio de tiempo general, o puede obtenerse como una diferencia de dos señales fotónicas de alta frecuencia o puede ser generado como armónico de la señal de baja frecuencia.
El soporte puede comprender cualquier soporte adecuado para contener la semilla, por ejemplo, una pinza de vacío, una pinza electrostática, una mesa, una cinta transportadora, etc.
En una modalidad, la fuente de señales en terahercios está dispuesta para emitir la señal en terahercios en un intervalo de 0,01 a 10 THz (es decir, 10 GHz a 10000 GHz). La fuente de señales puede estar dispuesta para emitir, durante el ensayo de una semilla, una sola frecuencia a la semilla. En una modalidad alternativa, la fuente de señales puede estar dispuesta para emitir una pluralidad de frecuencias durante el ensayo de la semilla, por ejemplo, simultáneamente o como una serie temporal, por ejemplo, como un barrido de frecuencia, que permite obtener información de profundidad, que permite derivar por el dispositivo de procesamiento de datos una imagen que comprende información de profundidad que usa una imagen simplificada (por ejemplo, bidimensional), por ejemplo, usando escaneo (es decir, escaneo para llevar a cabo imagenología a diferentes profundidades puede omitirse al menos parcialmente). También se puede aplicar una pluralidad de frecuencias (por ejemplo, aplicando un barrido de frecuencias o aplicando etapas de frecuencias para mejorar una relación señal a ruido de los datos de imagen, como artefactos que se produzcan en una de las frecuencias particulares, estando ausentes en otras frecuencias (o que tengan otro efecto en otras frecuencias) pueden tener un impacto reducido en los datos de imagen, por ejemplo, el dispositivo de procesamiento de datos puede añadir o promediar los datos de imagen obtenidos en las diferentes frecuencias, en una sola imagen, con el fin de reducir un efecto de las mismas. El barrido de frecuencia también se puede usar para proporcionar una información espectroscópica.
En una modalidad, la fuente de señales en terahercios está dispuesta para (por ejemplo, de forma continua o repetitiva) emitir una señal de onda continua y/o una señal de impulso. En una modalidad, el detector está dispuesto para detectar una amplitud de la señal en terahercios que ha interactuado con la semilla, siendo la señal de salida del detector representativa de una amplitud detectada de la señal en terahercios. La detección de la amplitud, en una modalidad, que no es parte de la invención reivindicada, sin fase de detección, permite una configuración de costo relativamente bajo, ya que puede elegirse una configuración menos compleja por lo que puede omitirse la comparación de la señal recibida con una señal derivada de la señal transmitida (con fines de referencia) para derivar la información de fase. La detección de amplitud puede realizarse con la fuente de señales en terahercios (por ejemplo, de forma continua o repetitiva) que emite una señal de onda continua y/o una señal de impulso.
En una modalidad, la fuente de señales en terahercios está dispuesta para (por ejemplo, de forma continua o repetitiva) emitir una señal de onda continua y/o una señal de impulso. En una modalidad, el detector está dispuesto para detectar una amplitud y una fase de la señal en terahercios que ha interactuado con la semilla, siendo la señal de salida del detector representativa de una amplitud y fase detectadas de la señal en terahercios. Mediante la detección de la amplitud y la fase de la señal que ha interactuado con la semilla, pueden tenerse en cuenta la absorción/reflexión, por un lado, así como, por ejemplo, las propiedades dieléctricas derivadas de la información de fase por el otro. Se pueden obtener datos de imagen de alto contraste, en donde los datos de imagen comprendan un alto contenido de información de datos relevantes para la clasificación, permitiendo realizar una estimación fiable. Con el fin de detectar la amplitud y la fase de la señal que ha interactuado con la semilla, se puede hacer uso de un analizador de red vectorial que permita detectar amplitud y fase en comparación con una señal de referencia obtenida de la fuente de señales. La detección de amplitud y fase puede realizarse con la fuente de señales en terahercios (por ejemplo, de forma continua o repetitiva) que emita una señal de onda continua y/o una señal de impulso. En otra modalidad, el detector está dispuesto para detectar una fase de la señal en terahercios que ha interactuado con la semilla, en donde la señal de salida del detector es representativa de una fase detectada de la señal en terahercios. La detección de la fase única puede permitir la imagen de las propiedades dieléctricas de la semilla.
En una modalidad, el dispositivo de procesamiento de datos está dispuesto para combinar datos de amplitud y fase comprendidos en la señal de salida del detector y para formar un dato de imagen de la semilla a partir de los datos combinados de amplitud y fase (tal como se obtuvieron durante el escaneo). Los datos de amplitud y fase pueden, por ejemplo, permitir obtener una combinación de datos de imagen de amplitud y de información de fase, de esta manera incluyendo la absorción/reflexión, por un lado, así como, por ejemplo, propiedades dieléctricas derivadas de la información de fase por el otro lado. Se pueden obtener datos de imagen de alto contraste, en donde los datos de imagen comprendan un alto contenido de información de datos relevantes para la estimación de características híbridas/consanguíneas, permitiendo realizar una estimación fiable. Otros ejemplos de datos de imagen proporcionados por el dispositivo de procesamiento de datos pueden ser datos de imagen de una señal de amplitud obtenida del detector (expresando reflexión, absorción, transmisión o una combinación de los mismos), datos de imagen de una señal de fase obtenidos del detector (que expresen, por ejemplo, las propiedades dieléctricas de los materiales en la semilla), un conjunto de datos de imagen tanto de amplitud como de fase. Los datos de imagen pueden ser datos de imagen unidimensional, datos de imagen bidimensional o datos de imagen tridimensional (que también contienen información de profundidad). La información de profundidad puede obtenerse a partir de una información de fase de escaneo tridimensional adecuada o haciendo uso de varias frecuencias (por ejemplo, un cambio de frecuencia o cambios de frecuencia paso a paso o un impulso de tiempo) para obtener información de profundidad.
Además, se puede usar información espectral. En una modalidad, la fuente de señales en terahercios está configurada para generar la señal en terahercios en una pluralidad de frecuencias, en donde el detector está configurado para detectar al menos parte de la señal en terahercios que ha interactuado con la semilla en cada una de la pluralidad de frecuencias, que comprende una señal espectral, en donde el dispositivo de procesamiento de datos está configurado para formar una imagen espectral a partir de la señal emitida del detector tal como se obtiene de las semillas del conjunto de semillas de aprendizaje. De este modo, se puede obtener información espectral transmitiendo una pluralidad de frecuencias THz, ya sea simultáneamente, usando un barrido de frecuencia, o transmitiendo sucesivamente diferentes frecuencias, y una respuesta (absorción, reflexión y/o fase) en cada una de las frecuencias que estén siendo detectadas por el detector. La señal de salida del detector comprende, por lo tanto, información espectral. Los aminoácidos específicos u otras sustancias pueden presentar una absorción y/o una reflexión específica a frecuencias específicas, permitiendo reconocer una presencia y/o concentración de dicha sustancia a partir de las propiedades espectrales de los datos de imagen obtenidos. Las proteínas son constituyentes básicos de todos los organismos vivos y compuestas de moléculas orgánicas, llamadas aminoácidos que se unen covalentemente por enlaces peptídicos. El ADN contiene la información genética que dicta la secuencia específica de aminoácidos. Ejemplos de tales aminoácidos pueden ser isoleucina, ácido glutámico, leucina, glicina, tirosina, histidina y sus combinaciones. Dado el vínculo entre la presencia y concentración de tales aminoácidos y la estructura genética de la semilla, los datos espectrales que proporcionan información sobre un contenido de tales sustancias (por ejemplo, aminoácidos) pueden proporcionar información relevante para clasificar la semilla con una alta fiabilidad y en diferentes clases.
La información espectral también se puede usar como sigue: en una modalidad, la fuente de señales en terahercios emite pulsos. Un pulso en un intervalo de frecuencias de terahercios debe entenderse como un pulso en un intervalo de nanosegundos, que tiene un ancho de impulso en un intervalo de, por ejemplo, 1 ns a 0,1 ps. Una respuesta (reflejo o transmisión o ambas) del impulso es detectada por el detector. Una trayectoria de referencia, tal como un retardo de referencia, puede guiar en paralelo el impulso al detector. Una señal combinada es detectada por el detector y puede ser transformada en información espectral usando técnicas matemáticas, tal como una transformada de Fourier, por lo que un contenido de frecuencia se deriva de la respuesta de impulso detectada. Además, también se puede usar una señal en THz que tenga una amplitud variable en el tiempo para interrogar la muestra. El pulso de THz detectado puede usarse para obtener una respuesta espectral usando técnicas matemáticas, por ejemplo, transformada de Fourier, etc. De este modo, se puede obtener información espectral usando una fuente de señales de complejidad relativamente baja que emita un tren de impulsos en lugar de requerir barridos de frecuencia, frecuencias múltiples, etc.
Por consiguiente, usando la información espectral (mediante cualquiera de las técnicas descritas anteriormente), la imagen puede comprender una imagen espectral. La imagen espectral puede ser un solo valor, un patrón unidimensional, un patrón bidimensional, un patrón tridimensional, etc.
La interacción de la señal con la semilla puede ser la transmisión a través de la semilla, la reflexión por la semilla o una combinación de las mismas. En una modalidad, la fuente generadora de señales y el detector están dispuestos para acoplamiento de espacio libre, también denominado acoplamiento cuasi óptico. El acoplador transmite por espacio libre el acoplamiento de la señal en terahercios generada a la semilla, y el detector detecta por espacio libre el acoplamiento de la señal que interactúa con la semilla. Usando acoplamiento de espacio libre, no es necesario que el contacto físico sea hecho por la fuente de señal y/o el detector, lo que permite realizar el escaneo en forma relativamente rápida y reducir el riesgo de invocar cualquier daño mecánico a la semilla durante el proceso. De manera similar, en otra modalidad, la fuente generadora de señales y el detector pueden estar dispuestos para acoplamiento de campo cercano con la semilla.
En lugar de o además de una señal de onda continua, puede hacerse uso de una señal pulsada. De acuerdo con ello, en una modalidad, la fuente de señales en terahercios está dispuesta para emitir una señal de impulso en terahercios. La señal de impulso puede comprender un solo impulso o una pluralidad de impulsos, por ejemplo, una secuencia temporal de impulsos. Por consiguiente, la señal en terahercios puede comprender un solo impulso o una pluralidad de impulsos. En el contexto de los impulsos, el término terahercios ha de entenderse como impulsos que proporcionan un contenido de frecuencia (es decir, su contenido de energía en el dominio de frecuencias que está en o que alcanza en la banda de frecuencias de terahercios). En el caso de impulsos, el detector puede estar dispuesto para detectar una respuesta temporal, tal como una reflexión en el dominio del tiempo. Por consiguiente, en el dispositivo de procesamiento de datos puede comprender un reflectómetro de dominio de tiempo.
En una modalidad, el sistema de soporte de decisión está dispuesto para comparar los datos de imagen obtenidos de la semilla con al menos un dato de imagen de referencia almacenado por el sistema de soporte de decisión y derivar la clasificación de la semilla de la comparación. Los datos de imagen de referencia pueden comprender uno o más de los datos de imagen de semillas consanguíneas, semillas híbridas y otras condiciones genómicas de semillas (los datos de imagen de referencia son, por ejemplo, obtenidos a partir de ejemplos de referencia de escaneo de semillas). De este modo, el aparato puede aprenderse fácilmente para diferentes tipos de semilla y condiciones diferentes, mediante la medición de muestras en diversas condiciones, almacenando los datos de imagen obtenidos de la (s) muestra (s) de referencia para comparación. Los datos de imagen de referencia pueden ser pre-almacenados o accesibles remotamente, por ejemplo, desde un servidor remoto conectado al sistema de soporte de decisión a través de Internet.
En el caso de que la fuente de señal en terahercios genere, un impulso, el patrón o patrones de imagen de referencia puede ser patrón o patrones de reflexión de dominio de tiempo de referencia. Pueden proporcionarse diferentes patrones de reflexión del dominio del tiempo de referencia que representan diversas condiciones de la semilla. En el caso de una sola imagen de píxel, los datos de imagen de referencia pueden comprender un valor de referencia. Diferentes valores de referencia pueden representar varias condiciones genómicas.
El sistema de soporte de decisión puede ser aprendido, proporcionando un ejemplo como sigue. En primer lugar, se ensaya un conjunto de semillas para estimar su clase (endogámica, híbrida), esto se puede hacer usando otra técnica, como NIR. A cada semilla del conjunto se le asigna una clasificación (con base en el análisis por la otra técnica). Las semillas se someten a la prueba de terahercios como la descrita con el fin de obtener datos de imagen para cada semilla del conjunto. Los datos de imagen obtenidos para cada semilla se acoplan a la clasificación obtenida por la otra técnica. Los datos de imagen en combinación con la estimación se almacenan entonces como datos de imagen de referencia. Otro ejemplo de aprendizaje del sistema de soporte de decisión puede ser usar el aparato y/o el método de terahercios como se describe en este documento para la generación de datos de imagen para cada semilla del conjunto. Con base en los datos de imagen, la clasificación es realizada por un operador, tal como un operador entrenado. Los datos de imagen obtenidos para cada semilla se acoplan a la clasificación proporcionada por el operador. Los datos de imagen en combinación con la clasificación se almacenan entonces como datos de imagen de referencia. Por consiguiente, en una modalidad, el aparato está configurado además para operar en un modo de aprendizaje, en donde el sistema de soporte de decisión está configurado en el modo de aprendizaje para almacenar datos de imagen obtenidos de semillas de un conjunto de semillas de aprendizaje y para asociar una clasificación dada a los datos de imagen. La clasificación dada puede ser proporcionada por un operador (que inspeccione los datos de imagen) o por otra técnica de clasificación, tal como una técnica de clasificación destructiva. En una modalidad, el sistema de soporte de decisión está configurado adicionalmente para, en el modo de aprendizaje, derivar un criterio para la clasificación de una semilla de los datos de imagen del conjunto de semillas de aprendizaje y los datos de clasificación asociados, y para proporcionar la clasificación de una semilla siguiente no comprendida en el conjunto de semillas de aprendizaje, usando el criterio. Así, se puede aprender un criterio, por ejemplo, a partir de una correlación entre una ocurrencia de ciertas características en los datos de imagen y la clasificación. El criterio puede comprender, por ejemplo, al menos una de una absorción en una banda de frecuencias especificada, una reflexión en una banda de frecuencias especificada, para permitir de este modo derivar una clasificación a partir de información espectroscópica como se ha descrito anteriormente.
Otra modalidad para patrones de aprendizaje a partir de imágenes THz, comprende el uso del enfoque de inclinación de máquina supervisada, en el que se construyen y entrenan vectores de características con base en fft (transformada rápida de Fourier) o coeficientes de wavelet usando un algoritmo de aprendizaje de máquina, por ejemplo, tal como SVM (máquina de vectores de soporte). Las técnicas de reconocimiento de patrones se pueden usar para inspeccionar automáticamente o semiautomáticamente las imágenes THz. Las técnicas de reconocimiento de patrones comprenden varias etapas. En primer lugar, se construye un "corpus", es decir, colección de ejemplos marcados (vectores de características) derivados de imágenes THz. En segundo lugar, el corpus se divide al azar en conjuntos de tren y de prueba (usando, por ejemplo, una división de 90/10) donde el conjunto de tren se usará para entrenar al clasificador y el conjunto de prueba se usará para evaluar el rendimiento del clasificador. Matemáticamente hablando, durante la fase de entrenamiento un clasificador aprende un hiperplano de separación en el espacio de la característica. Como medida del desempeño del clasificador, se calcula un valor Recuerdo, Precisión y F1 micro-promediados (clásicos). Dentro de estas fases de entrenamiento, prueba y evaluación el clasificador se construye realmente. Finalmente, el clasificador obtenido se usa para predecir las etiquetas (clases) para ejemplos no vistos. Como algoritmo de clasificación se usa la Máquina de Vectores de Soporte (SVM). SVM es un algoritmo de clasificación popular que se ha usado con éxito en varias aplicaciones. SVM fue diseñado para encontrar un solo hiperplano de separación óptimo. Un hiperplano se considera óptimo cuando separa los ejemplos de entrenamiento positivos y negativos de tal manera que tenga el mayor margen posible a los ejemplos de entrenamiento más próximos tal como se presentan. SVM básicamente resuelve un problema de programación cuadrática convexa especial, que es bastante computacionalmente exigente, sin embargo, se puede lograr una estimación precisa.
De acuerdo con un aspecto adicional de la invención, se proporciona un método como se define en la reivindicación 13.
De acuerdo con otra modalidad de la invención, se proporciona un sistema de selección para seleccionar una semilla, que comprende:
- un aparato de acuerdo con las reivindicaciones, 1-12, comprendiendo además el aparato una salida de clasificación de semillas y estando dispuesto para proporcionar una señal de salida de clasificación de semillas en la salida de clasificación de siembra, siendo la señal de salida de clasificación de semillas representativa de una clasificación de la semilla como endogámica o híbrida,
- un alimentador, corriente arriba del aparato, para alimentar una semilla al aparato,
- un separador, corriente abajo del aparato, estando el separador con una entrada de control conectada a la salida de clasificación de semillas del aparato, estando dispuesto el separador para dirigir la semilla a una primera salida del separador en respuesta a la señal de salida de clasificación de semillas que tiene un primer valor y a una segunda salida del separador en respuesta a la señal de salida de clasificación de semillas que tiene un segundo valor. Por lo tanto, puede realizarse la selección automática o semiautomática de las semillas de acuerdo con su clasificación: se puede aplicar un umbral (por ejemplo, que exprese un requisito mínimo para la clasificación como endogámico o híbrido) y las semillas que tengan un resultado de clasificación superior al umbral pueden ser dirigidas a la primera salida mientras que las semillas que tengan un resultado de clasificación por debajo del umbral pueden ser dirigidas a la segunda salida. El selector puede ser, por ejemplo, neumático (dirigir la semilla mediante una corriente de aire), electrostático, mecánico o por cualquier otro medio adecuado. El alimentador puede comprender cualquier mecanismo de transporte tal como una cinta transportadora, una tolva inclinada hacia abajo, un medio neumático propulsor de semillas, etc. El alimentador puede comprender además un dispositivo de secuenciación que libera secuencialmente las semillas una tras otra, cada una de las cuales se alimenta al aparato para su clasificación.
Con el método, uso y sistema de selección de acuerdo con aspectos de la invención, se pueden lograr las mismas ventajas y efectos que con el sistema de clasificación de acuerdo con un aspecto de la invención. Asimismo, se pueden proporcionar las mismas o similares modalidades con el sistema de clasificación de acuerdo con un aspecto de la invención, logrando los mismos efectos o efectos similares que las modalidades similares del sistema de clasificación de acuerdo con la invención.
Otras ventajas, características y efectos de la invención se deducirán del dibujo adjunto, que muestra una modalidad no limitativa de la invención, en la que:
La figura 1 representa una vista esquemática en bloques general de un sistema de acuerdo con una modalidad de la invención.
La figura 2 representa una vista esquemática de una fuente terahercios y detector del sistema de acuerdo con la figura 1.
La figura 3 representa una vista superior esquemática de una disposición de medición para ilustrar la fuente y el detector como se describe con referencia a la figura 2.
La figura 4 representa una vista esquemática en bloques de un sistema de separación de acuerdo con una modalidad de la invención.
Las figuras 5A y 5B representan diagramas de frecuencia con base en los cuales se explicará un aspecto de la invención.
La Figura 5C representa un diagrama de frecuencia con base en el cual se explicará un aspecto de la invención.
La Figura 6 representa un diagrama de flujo con base en el cual se explicará un aspecto de la invención.
La figura 7 representa una vista esquemática de un sistema de acuerdo con una modalidad de la invención.
La figura 8 representa una vista esquemática de un sistema de soporte de decisión de acuerdo con un aspecto de la invención.
Se observa que a lo largo de las figuras se aplican números de referencia iguales o similares para indicar lo mismo de elementos similares.
La figura 1 representa una vista esquemática en bloques de un sistema de acuerdo con una modalidad de la invención. El sistema comprende una fuente de señales en terahercios SRC que genera una señal en terahercios THS, tal como una señal de onda continua. Como alternativa, la fuente genera una señal pulsada. Una salida de la fuente que lleva la señal en terahercios está conectada a un acoplador (dispositivo de acoplamiento) CPL que acopla la señal en terahercios a la semilla SD. El dispositivo de acoplamiento puede comprender una combinación de una bocina y una lente, tal como una lente HDP (polietileno de alta densidad) con el fin de dirigir la radiación en terahercios generada por la fuente hacia la semilla tal como se representa por el haz de señal en terahercios TSB. La semilla es sostenida por un soporte SUP, cuyos ejemplos pueden incluir una mesa, una pinza de vacío, una pinza electrostática, etc. Un detector DET del sistema detecta al menos parte de la señal en terahercios que ha interactuado con la semilla. Aunque, en el dibujo esquemático de acuerdo con la Figura 1, la fuente y el detector se representan esquemáticamente en diferentes lados de la semilla, el detector puede en realidad estar situado, por ejemplo, para recibir una parte de la radiación en terahercios que haya sido reflejada por la semilla o una parte de la radiación en terahercios transmitida por la semilla o una combinación de la misma. El detector en este ejemplo comprende un dispositivo de detección de terahercios, tal como un dispositivo electrónico de superestructura bombeado sub armónicamente (SLED) y un circuito de detección que genere una señal de salida del detector a partir de la señal de salida del dispositivo de detección de terahercios (el dispositivo de detección y el circuito de detección habiendo sido indicados simbólicamente en la figura 1 como entidades separadas que forman conjuntamente el detector). El dispositivo de detección de terahercios puede realizar directamente una conversión descendente para convertir la señal en terahercios detectada en una señal en una banda de frecuencia más baja. El circuito de detección puede generar una única señal de salida del detector DO o una pluralidad de señales de salida del detector, por ejemplo, una que represente la amplitud y una que represente la fase. Para que el detector funcione en sincronismo con la fuente de señales en terahercios, puede proporcionarse una señal de sincronización por la fuente al detector (o viceversa), como se indica en la Figura 1 por la línea de puntos, por ejemplo, permitiendo realizar una medición de fase por el detector. La señal de salida del detector, que puede representar amplitud, fase o ambas, se proporciona a un dispositivo de procesamiento de datos DPD que genera un ID de datos de imagen de la semilla. La semilla es escaneada por un escáner SC que puede mover la señal en terahercios con respecto a la semilla o viceversa, se forman datos de imagen por medio de los cuales el dispositivo de procesamiento de datos combina la señal de salida del detector obtenida para las diferentes posiciones alcanzadas durante el escaneo. Los datos de imagen pueden formar datos de imagen bidimensionales, usando un escaneo bidimensional. También se pueden proporcionar imágenes tridimensionales, ya sea proporcionando un escaneo 3D, recopilando información de fase o proporcionando la fuente de señales para emitir una pluralidad de frecuencias, por lo que el dispositivo de procesamiento de datos está dispuesto para derivar los datos de imagen tridimensionales a partir del escaneo 3D, la respuesta del detector en las diferentes frecuencias o ambas. El dispositivo de procesamiento de datos puede aplicar adicionalmente técnicas de procesamiento adecuadas, tales como filtración para reducción de ruido, mediciones de promediado obtenidas a diferentes frecuencias para mejorar la relación señal a ruido, etc. Los datos de imagen se proporcionan a un sistema de soporte de decisión DSS, con el fin de proporcionar una clasificación CLA en una de las clases híbrida y consanguínea. Como se representa en la Figura 8, el sistema de soporte de decisión realiza una determinación comparando el ID de datos de imagen de la semilla con los datos de imagen de referencia REFID. Los datos de imagen de referencia pueden comprender, por ejemplo, datos de imagen de ejemplos de semillas que presenten una condición particular, por ejemplo, ser consanguíneas, híbridas, y se ha almacenado una clasificación de referencia para cada uno de los datos de imagen de referencia. El sistema de soporte de decisión compara los datos de imagen obtenidos con los datos de imagen de referencia (por ejemplo, compara con cada dato de imagen de referencia) y establece cuál de los datos de imagen de referencia tiene más en común con los datos de imagen (por ejemplo, aplicando un algoritmo de reconocimiento de patrones o por cualquier otra comparación adecuada). A la semilla se le puede asignar una clasificación basada en la comparación. La asignación de la clasificación puede realizarse asignando la clasificación de los datos de imagen de referencia más similares o asignando un promedio o promedio ponderado de dos o más datos de imagen de referencia, es decir, datos de imagen de referencia de dos o más semillas, para proporcionar una mayor precisión. El sistema de soporte de decisión y el dispositivo de procesamiento de datos pueden implementarse en una forma de software, que sea por ejemplo ejecutada por una computadora, una pluralidad de computadoras interconectadas por una red de comunicación de datos, o cualquier otra disposición de procesamiento de datos. Se observa que la clasificación puede, de acuerdo con una modalidad de la invención, ser realizada por un operador humano. El operador humano puede realizar la clasificación directamente a partir de la imagen, es decir, sin un sistema de soporte de decisión, o puede ser asistido por una clasificación proporcionada por el sistema de soporte de decisión.
Los datos de imagen de referencia, por ejemplo, son obtenidos a partir de ejemplos de referencia de escaneo de semillas. De este modo, el aparato puede aprenderse fácilmente para diferentes tipos de siembra y condiciones diferentes, mediante la medición de muestras en diversas condiciones, almacenando los datos de imagen obtenidos de la (s) muestra (s) de referencia para comparación. Los datos de imagen de referencia pueden ser pre-almacenados o accesibles remotamente, por ejemplo, desde un servidor remoto conectado al sistema de soporte de decisión a través de Internet.
En caso de que la fuente de señales en terahercios genere un impulso, el patrón o patrones de imagen de referencia puede ser un patrón o patrones de reflexión de dominio de tiempo de referencia. Se pueden proporcionar diferentes patrones de reflexión en el dominio del tiempo de referencia que representan diversas condiciones genómicas de la semilla. En el caso de una sola imagen de píxel, los datos de imagen de referencia pueden comprender un valor de referencia. Diferentes valores de referencia pueden representar varias condiciones genómicas.
Se observa que los datos de imagen pueden derivarse también en una pluralidad de frecuencias en el intervalo de frecuencias de THz. Por ejemplo, la Figura 5A representa un diagrama de frecuencias que muestra un barrido de frecuencias del generador de señal en THz de la frecuencia fl a la frecuencia f2 en el intervalo de frecuencias THz. Una respuesta detectada por el detector, por ejemplo, una reflexión, se representa en la Figura 5B que muestra un diagrama de frecuencias de una señal reflejada detectada por el detector, formando un ejemplo de una señal espectral SPS. Los picos y valles (o generalmente una respuesta a cierta frecuencia) en la curva de respuesta de frecuencias detectada pueden representar sustancias específicas tales como aminoácidos específicos. Dependiendo de un tipo de semilla, la clasificación de la semilla en híbrida o endogámica puede asociarse a un contenido de uno o más aminoácidos específicos, tales como isoleucina, ácido glutámico, leucina, glicina, tirosina, histidina y sus combinaciones. Cada uno de estos aminoácidos puede exhibir una interacción específica con la señal en THz, por ejemplo, una absorción a frecuencias específicas, etc. Dicha interacción se traduce en una característica específica en los datos de imagen, tal como una absorción a frecuencias específicas u otra característica. De esta manera, se puede derivar una característica genotípica discriminativa por el sistema de soporte de decisión y la clasificación se realiza con una alta fiabilidad basada en la aparición de tal característica específica en los datos de imagen. La Figura 5C representa un ejemplo de una medición de información de fase, con lo que se representa una fase PH (0 - 360 grados) de la señal detectada, la fase estando formada generalmente por una diferencia de fase en comparación con la señal de origen retardada.
El sistema de soporte de decisión puede ser aprendido, un ejemplo siendo proporcionado de la siguiente manera: en primer lugar, se prueba un conjunto de semillas para proporcionar una estimación de su clasificación, esto puede hacerse usando otra técnica, como NIR. A cada semilla del conjunto se le asigna una clasificación (basada en el análisis por la otra técnica). Las semillas se someten a la prueba de terahercios como se describe con el fin de obtener datos de imagen para cada semilla del conjunto. Los datos de imagen obtenidos para cada semilla se acoplan a la clasificación obtenida por la otra técnica.
Los datos de imagen en combinación con la clasificación se almacenan entonces como datos de imagen de referencia. Otro ejemplo de aprendizaje del sistema de soporte de decisión en un modo de aprendizaje LM puede ser usar el aparato y/o método de terahercios como se describe en este documento para generar datos de imagen para cada semilla del conjunto (etapa 600). Con base en los datos de imagen, la clasificación es realizada por un operador, tal como un operador entrenado. Como alternativa, los datos de imagen pueden obtenerse de otra manera, por ejemplo, usando otra técnica de clasificación. Así, en términos generales, los datos de clasificación se obtienen y se introducen (etapa 610). Los datos de imagen obtenidos para cada semilla se asocian con (etapa 620) la clasificación, tal como la proporcionada por el operador u obtenida a partir de otra técnica de clasificación. Los datos de imagen en combinación con la clasificación se almacenan entonces como datos de imagen de referencia. En el modo de operación normal, los datos de imagen de referencia pueden ser usados por el sistema de soporte de decisión, por ejemplo, para comparar una imagen obtenida con las imágenes de referencia. Además, se puede derivar un criterio (etapa 630) a partir de los datos de imagen almacenados y la clasificación asociada, de modo que en el modo de operación normal (es decir, una vez que se haya detenido el aprendizaje), la clasificación pueda realizarse usando el criterio que permita clasificar más rápidamente las semillas usando el criterio. El criterio puede comprender, por ejemplo, una absorción y/o una reflexión en una banda de frecuencias específica.
Otra modalidad para aprender patrones a partir de imágenes THz, comprende el uso del enfoque de inclinación de máquina supervisada, en el que se construyen y entrenan vectores de características con base en fft (transformada rápida de Fourier) o coeficientes de wavelet usando un algoritmo de aprendizaje de máquina, por ejemplo, tal como SVM (máquina de vectores de soporte). Las técnicas de reconocimiento de patrones se pueden usar para inspeccionar automáticamente o semi-automáticamente las imágenes THz. Las técnicas de reconocimiento de patrones comprenden varias etapas. En primer lugar, se construye un "corpus", es decir, colección de ejemplos marcados (vectores de características) derivados de imágenes THz. En segundo lugar, el corpus se divide al azar en conjuntos de trenes y de prueba (usando, por ejemplo, una división de 90/10) en donde el conjunto de trenes se usará para entrenar al clasificador y el conjunto de prueba se usará para evaluar el rendimiento del clasificador. Matemáticamente hablando, durante la fase de entrenamiento un clasificador aprende un hiperplano de separación en el espacio de la característica. Como medida del desempeño del clasificador, se calcula un valor de Recuerdo, Precisión y F1 micro-promediados (clásicos). Dentro de estas fases de entrenamiento, prueba y evaluación el clasificador se construye realmente. Finalmente, el clasificador obtenido se usa para predecir las etiquetas (clases) para ejemplos no vistos. Como algoritmo de clasificación se usa la Máquina de Vectores de Soporte (SVM). SVM es un algoritmo de clasificación popular que se ha usado con éxito en varias aplicaciones. SVM fue diseñado para encontrar un solo hiperplano de separación óptimo. Un hiperplano se considera óptimo cuando separa los ejemplos de entrenamiento positivos y negativos de tal manera que tenga el mayor margen posible a los ejemplos de entrenamiento más próximos tal como se presentan. SVM básicamente resuelve un problema de programación cuadrática convexa especial, que es bastante exigente computacionalmente, sin embargo, se puede lograr una estimación precisa.
En el ejemplo ilustrativo de fuente y detector, como se describirá a continuación con referencia a las figuras 2 y 3, se usa un analizador de red vectorial. Los analizadores de redes vectoriales (VNA) son herramientas conocidas en los laboratorios de microondas y ondas milimétricas. Son capaces de medir la respuesta de amplitud y la respuesta de fase de un circuito bajo prueba, para investigar sus propiedades de RF. Como se explicará a continuación, se ha ampliado un intervalo de frecuencias efectivo del VNA dentro del intervalo de THz.
Se describe un esquema de medición de cuasi óptica con referencia a la figura 2. Se hace un reflectómetro para medir la semilla bajo prueba usando el esquema de interferómetro de Michelson como se muestra en las figuras 2. Una fuente SRC emite a través de una bocina y un lente de HDP (polietileno de alta densidad) (que actúa como dispositivo de acoplamiento) la radiación en terahercios hacia un divisor de haz, en este ejemplo un Mylar de 40 micrómetros situado a un ángulo de 45 grados con respecto a una dirección de propagación del haz de señal en terahercios emitido. La polarización principal de la configuración es vertical y se establece mediante una polarización de las bocinas diagonales del detector y del transmisor. Se usa un multiplicador x6 como parte de la fuente de señales. La fuente tiene un puerto adicional de guía de ondas de acoplamiento WR-8 que permite seleccionar parte de la señal antes del multiplicador x6 para crear una referencia para el circuito de detección de fase/amplitud, como se explicará más adelante con referencia a la Figura 3. Se usa un dispositivo electrónico de superestructura bombeado sub-armónicamente (SLED) (n=30..35) para la detección. Se monta en un bloque detector con bocina diagonal integrada. Su entrada de conector tipo SMA DC/IF también se usó para proporcionar una señal LO sub harmónica a 16...20 GHz. La semilla se encuentra en uno de los brazos del interferómetro de Michelson allí, ya que la señal que llega al otro brazo es absorbida por un diseño de carga especial para absorber la radiación THz. El haz emitido por la fuente y el dispositivo de acoplamiento viaja al divisor de haz, donde se divide en un haz de medición que viaja a la semilla, y el haz parásito que es luego absorbido por la carga de descarga de haz. Una carga de descarga de haz BDL absorbe una señal parasitaria. Tanto el haz de referencia como el haz de medición (reflejado por la semilla), alcanzan de nuevo el divisor de haz y se reflejan hacia el detector DET. Un cambio en la reflectividad cambia una amplitud del haz recibido por el detector, mientras que un cambio en la profundidad de reflectividad o propiedades dieléctricas de la semilla cambia una fase del haz recibido por el detector.
En la figura 3 se representa un diagrama esquemático en bloques de una fuente y de un circuito de detección. La fuente está provista con un primer sintetizador de frecuencia S1 (que forma un ejemplo de un generador de señales de microondas) en un intervalo de 16 - 18GHz (formando un ejemplo de un microondas), que se multiplica por 6, una señal de salida del mismo siendo proporcionada al mezclador M1, así como a un segundo multiplicador que multiplica de nuevo por 6 para generar la señal de origen. Los multiplicadores forman un ejemplo de un convertidor ascendente. El mezclador M1 recibió además una señal procedente de un segundo sintetizador de frecuencias S2 que se usaba tanto para el bombeo de un detector SLED, así como por un mezclador Schottky M1 para crear un sistema de referencia. La IF (frecuencia intermedia) primaria puede ser, por ejemplo, de 1GHz. La señal IF del mezclador MI se amplifica y se multiplica por 6 para crear una señal de referencia primaria. La señal detectada es mezclada por la señal del sintetizador S2 a 1GHz, formándose la mezcla un ejemplo de un convertidor de descenso que se convierte en una señal de detección de microondas. La señal de referencia primaria se compara con la señal detectada teniendo en cuenta la información de fase y amplitud proporcionando así la señal de salida del detector. A partir de esta comparación se obtiene la información para construir los datos de imagen THz. Se usó un par mezclador adicional M3, M4 para eliminar el ruido de fase coherente introducido por los sintetizadores S1 y S2 y permitir el uso de un ancho de banda de detección extremadamente estrecho de 100 Hz. Se puede usar un VNA de microondas en modo de barrido de tiempo como unidad de detección de señales. El oscilador de referencia de VNA interno puede usarse como S3. Todos los S1, S2 y S3 están en fase de bloqueo entre sí. Durante las mediciones, para cada punto de frecuencia de señal, los osciladores S1 y S2 se han sintonizado de tal manera que la IF primaria permanezca de 1 GHz; la potencia de salida de S2 se ajusta para maximizar S/N en el detector SLED y se toma un barrido de tiempo de VNA. Este procedimiento se repite para cada frecuencia, por ejemplo, siguiendo un procedimiento de búsqueda de tabla en una computadora de control del detector.
Los datos de imagen para una semilla se construyen a partir de la señal de salida del detector en combinación con información de posición derivada del escaneo (por ejemplo, datos de posición comunicados entre el escáner y el dispositivo de procesamiento de datos). La clasificación se realiza entonces como se ha descrito anteriormente. La Figura 4 representa un sistema de selección de semillas de acuerdo con una modalidad de la invención. Un dispositivo de alimentación FD, tal como un transportador o cualquier otro dispositivo de alimentación, proporciona semillas de forma secuencial, una a una, al sistema de clasificación ES, tal como un sistema de clasificación descrito anteriormente con referencia a las Figuras 1-3. El sistema de clasificación proporciona una señal de salida de clasificación de semillas SGAO que proporciona una estimación de la clasificación de la semilla respectiva. Esta señal se proporciona a una entrada de control Cl de un selector SEL (que comprende, por ejemplo, un actuador para dirigir la semilla a una salida correspondiente del selector), el selector dirige, por consiguiente, la semilla a una de una pluralidad de sus salidas SOP1, SOP2, con el fin de separar las semillas que tengan diferentes clasificaciones en consecuencia.
En la figura 7 se describe una implementación de un espectrómetro de dominio de tiempo en terahercios. Una fuente SRC que emite un tren de impulsos cortos ópticos o infrarrojos cercanos (de 1 ns a 0,1 ps de duración) representados como "láser pulsado" emite hacia un divisor óptico de señales SPL. Después de la división por el divisor, los impulsos excitan un transmisor THz TTR, típicamente elemento fotoconductor, que produce un impulso de campo electromagnético proporcional a una envolvente de tiempo del impulso óptico y por lo tanto estando en el intervalo de THz. El impulso THz emitido es entonces acoplado usando óptica de enfoque a un dispositivo bajo prueba (DUT) en el presente caso una SD de semilla. THz pasa a través de la semilla y luego se enfoca en un detector THz DET, típicamente un elemento fotoconductor. Al mismo tiempo, la parte dividida del mismo impulso se pasa a través de una línea de retardo óptico sintonizable DEL con retardos que van desde 0 hasta varios nanosegundos y luego se acopla al detector THz también. Cuando el impulso THz a través de la línea de retardo y el impulso óptico de la semilla lleguen al detector de forma sincrónica, la señal de salida del detector cambiará. Típicamente se usa una técnica de detección síncrona con señal de repetición de impulsos como referencia en la unidad de procesamiento de señales SPU. La unidad de procesamiento de señales puede comprender, por ejemplo, Amplificador (es), amplificador (es) de bloqueo y un convertidor analógico-digital (ADC) para convertir a una señal digital en la computadora. Medir una respuesta de detector al escanear la línea de retardo permite obtener la amplitud de señal de THz frente al tiempo que después de la transformación matemática en un dispositivo de procesamiento de datos DPD, tal como una computadora, la transformación, por ejemplo, que comprende una transformada de Fourier, proporciona una imagen espectral SPI de la semilla. La fuente de señales en THz y el detector pueden o no tener una polarización DC suministrada a ellos. Debido a la simetría, la línea de retardo puede instalarse entre el divisor y el detector THz o entre el divisor y el transmisor THz. La configuración descrita puede disponerse como reflectómetro THz.
La figura 8 representa una vista esquemática de bloque de un sistema de soporte de decisión DSS. El ID de datos de imagen (tal como la imagen espectral SPI anterior) se compara con los datos de imagen de referencia REFID como se ha descrito anteriormente. La clasificación CLA se deriva de la comparación como se ha descrito anteriormente.
La invención puede usarse, por ejemplo, en agricultura, es decir para seleccionar semillas de acuerdo con su clasificación en una de las clases endogámica e híbrida, con el fin de usarlas para fines agrícolas, así como muchas otras aplicaciones.
Claims (14)
1. Un aparato para clasificar una semilla como endogámica o híbrida, que comprende:
- un soporte para sostener la semilla,
- una fuente de señales en terahercios para generar una señal en terahercios,
- un detector para detectar al menos parte de la señal en terahercios que haya interactuado con la semilla, en donde el detector está dispuesto para detectar un amplitud y una fase de la señal de terahercios que ha interactuado con la semilla, comprendiendo el detector una salida de detector y está dispuesto para generar una señal de salida de detector en la salida de detector con base en la por lo menos parte detectada de la señal en terahercios, siendo representativa la señal de salida del detector de una amplitud y fase detectadas de la señal en terahercios, - un dispositivo de procesamiento de datos para formar datos de imagen, a partir de la señal de salida del detector, y
- un sistema de soporte de decisión para proporcionar a partir de los datos de imagen, una clasificación de la semilla como endogámica o híbrida.
2. El aparato de conformidad con la reivindicación uno, caracterizado porque la señal en terahercios está en un intervalo de 0,01 a 10 THz.
3. El aparato de conformidad con la reivindicación 1 ó 2, caracterizado porque el dispositivo de procesamiento de datos está dispuesto para combinar datos de amplitud y fase comprendidos en la señal de salida del detector y para formar datos de imagen de la semilla a partir de los mismos.
4. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque la fuente de señales en terahercios está configurada para generar la señal en terahercios en una pluralidad de frecuencias, en donde el detector está configurado para detectar al menos parte de la señal en terahercios que ha interactuado con la semilla en cada una de la pluralidad de frecuencias, en donde la señal de salida del detector comprende una señal espectral, en donde el dispositivo de procesamiento de datos está configurado para formar una imagen espectral a partir de la señal de salida del detector.
5. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque la fuente de señales en terahercios comprende un generador de señales de microondas para generar una señal de microondas y un convertidor ascendente, conectado a una salida del generador de señales de microondas, para convertir la señal de microondas en la banda de frecuencias en terahercios.
6. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque el detector comprende un convertidor descendente para convertir la por lo menos parte detectada de la señal en terahercios que ha interactuado con la semilla en una señal de detección de microondas.
7. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque la fuente de señales y el detector están dispuestos para un acoplamiento de espacio libre con la semilla.
8. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque el sistema de soporte de decisión está dispuesto para
- comparar los datos de imagen obtenidos de la semilla con al menos un dato de imagen de referencia almacenado por el sistema de soporte de decisión, y
- derivar de la comparación la clasificación de la semilla como endogámica o híbrida.
9. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque comprende, además
un escáner para mover el soporte en relación con la señal en terahercios para proporcionar un escaneo de la semilla, en donde el dispositivo de procesamiento de datos está dispuesto para formar los datos de imagen a partir de la señal de salida del detector como los obtenidos para una pluralidad de posiciones durante el escaneo de la semilla.
10. El aparato de conformidad con cualquiera de las reivindicaciones anteriores, caracterizado porque el aparato está configurado además para operar en un modo de aprendizaje, en donde el sistema de soporte de decisión está configurado en el modo de aprendizaje para almacenar datos de imagen e imágenes espectrales obtenidas a partir de semillas de un conjunto de semillas de aprendizaje, y para asociar una clasificación dada a los datos de imagen e imágenes espectrales obtenidos de las semillas del conjunto de semillas de aprendizaje.
11. El aparato de conformidad con la reivindicación 10, caracterizado porque el sistema de soporte de decisión está configurado además para en el modo de aprendizaje derivar un criterio para la clasificación de una semilla a partir de los datos de imagen del conjunto de semillas de aprendizaje y los datos de clasificación asociados, y para proporcionar la clasificación de una semilla siguiente no comprendida en el conjunto de semillas de aprendizaje, usando el criterio.
12. El aparato de conformidad con la reivindicación 11, caracterizado porque el criterio comprende al menos una de una absorción en una banda de frecuencias especificada, una reflexión en una banda de frecuencias especificada.
13. Un método para clasificar una semilla como endogámica o híbrida, que comprende:
- sostener la semilla mediante un soporte,
- generar una señal en terahercios,
- acoplar la señal en terahercios a la semilla,
- detectar al menos parte de la señal en terahercios que haya interactuado con la semilla, comprendiendo la detección detectar una amplitud y una fase de la señal en terahercios que ha interactuado con la semilla y generar una señal de salida de detector basada en la por lo menos parte detectada de la señal en terahercios, siendo indicativa la señal de salida del detector de una amplitud y fase detectadas de la señal en terahercios,
- formar datos de imagen a partir de la señal de salida del detector, y
- proporcionar a partir de los datos de imagen, una clasificación de la señal como endogámica o híbrida.
14. Un sistema de selección para seleccionar una semilla, caracterizado porque comprende: - el aparato de conformidad con cualquiera de las reivindicaciones 1-12, el aparato comprende además una salida de clasificación de semillas y está dispuesto para proporcionar una señal de salida de clasificación de semillas en la salida de clasificación de semillas, en donde la señal de salida de clasificación de semillas es representativa de una clasificación de la semilla como endogámica o híbrida,
- un alimentador, corriente arriba del aparato, para alimentar una semilla al aparato,
- un separador, corriente abajo del aparato, en donde el separador tiene una entrada de control conectada a la salida de clasificación de semillas del aparato, en donde el separador está dispuesto para dirigir la semilla a una primera salida del separador en respuesta a la señal de salida de clasificación de semillas que tenga un primer valor y a una segunda salida del separador en respuesta a la señal de salida de clasificación de semillas que tenga un segundo valor.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/NL2015/050024 WO2016114649A1 (en) | 2015-01-15 | 2015-01-15 | Method and apparatus for classifying a seed as inbred or hybrid |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2971523T3 true ES2971523T3 (es) | 2024-06-05 |
Family
ID=52450540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES15702854T Active ES2971523T3 (es) | 2015-01-15 | 2015-01-15 | Método y aparato para clasificar una semilla como endogámica o hibrida |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11256899B2 (es) |
| EP (1) | EP3245505B1 (es) |
| AU (1) | AU2015377304B2 (es) |
| CA (1) | CA2973950C (es) |
| ES (1) | ES2971523T3 (es) |
| IL (1) | IL253483B (es) |
| MX (1) | MX2017009271A (es) |
| WO (1) | WO2016114649A1 (es) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106525759B (zh) * | 2016-10-11 | 2019-03-05 | 中国农业大学 | 一种基于衰减全反射太赫兹介电谱鉴别蜂蜜品种的方法 |
| WO2021183032A1 (en) | 2020-03-13 | 2021-09-16 | Fingerprint Cards Ab | Under display passive terahertz biometric imaging device |
| CN114008690A (zh) * | 2020-03-13 | 2022-02-01 | 指纹卡安娜卡敦知识产权有限公司 | 太赫兹生物特征成像封装 |
| WO2021183031A1 (en) | 2020-03-13 | 2021-09-16 | Fingerprint Cards Ab | Under display terahertz biometric imaging arrangement |
| CN112964665B (zh) * | 2021-02-04 | 2023-02-17 | 中国科学院重庆绿色智能技术研究院 | 一种基于高分辨太赫兹技术的肿瘤标志物分子检测系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2397423B (en) * | 2001-09-17 | 2005-06-01 | Ca Minister Agriculture & Food | A method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
| WO2008001785A1 (en) * | 2006-06-26 | 2008-01-03 | Toshiba Solutions Corporation | Specimen inspecting apparatus, and specimen inspecting method |
| US8031014B2 (en) * | 2008-09-24 | 2011-10-04 | Avraham Gover | Solid state terahertz radiation frequency multiplier |
| GB201015791D0 (en) * | 2010-09-20 | 2010-10-27 | Syngenta Ltd | Improved method and machine for use thereof |
| EP2627458A1 (en) | 2010-10-15 | 2013-08-21 | Syngenta Participations AG | A method for classifying sugar beet seeds, comprising the usage of infrared spectroscopy |
| US10018557B2 (en) * | 2015-03-13 | 2018-07-10 | Hitachi High-Technologies Corporation | Terahertz wave measuring device |
-
2015
- 2015-01-15 AU AU2015377304A patent/AU2015377304B2/en active Active
- 2015-01-15 US US15/543,459 patent/US11256899B2/en active Active
- 2015-01-15 CA CA2973950A patent/CA2973950C/en active Active
- 2015-01-15 WO PCT/NL2015/050024 patent/WO2016114649A1/en active Application Filing
- 2015-01-15 EP EP15702854.9A patent/EP3245505B1/en active Active
- 2015-01-15 MX MX2017009271A patent/MX2017009271A/es unknown
- 2015-01-15 ES ES15702854T patent/ES2971523T3/es active Active
-
2017
- 2017-07-13 IL IL253483A patent/IL253483B/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| IL253483A0 (en) | 2017-09-28 |
| US11256899B2 (en) | 2022-02-22 |
| EP3245505A1 (en) | 2017-11-22 |
| EP3245505B1 (en) | 2023-11-01 |
| US20190236332A1 (en) | 2019-08-01 |
| AU2015377304A1 (en) | 2017-08-03 |
| MX2017009271A (es) | 2018-02-09 |
| WO2016114649A1 (en) | 2016-07-21 |
| EP3245505C0 (en) | 2023-11-01 |
| AU2015377304B2 (en) | 2021-06-24 |
| CA2973950A1 (en) | 2016-07-21 |
| IL253483B (en) | 2021-07-29 |
| CA2973950C (en) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2971523T3 (es) | Método y aparato para clasificar una semilla como endogámica o hibrida | |
| Hovi et al. | LiDAR waveform features for tree species classification and their sensitivity to tree-and acquisition related parameters | |
| Xu et al. | Determination of rice root density from Vis–NIR spectroscopy by support vector machine regression and spectral variable selection techniques | |
| Knadel et al. | Comparing predictive abilities of three visible-near infrared spectrophotometers for soil organic carbon and clay determination | |
| Nicolaï et al. | Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage | |
| JP2006267102A (ja) | 輸送可能な物品をマイクロ波画像生成を使用して検査するシステム及び方法 | |
| Abdullah | Image acquisition systems | |
| Gholizadeh et al. | Soil organic carbon estimation using VNIR–SWIR spectroscopy: The effect of multiple sensors and scanning conditions | |
| CN104359838A (zh) | 一种无损检测梨的硬度方法 | |
| IL243919B2 (en) | Method and device for evaluating the ability of seed germination | |
| Mark Danson et al. | Spectral and spatial information from a novel dual-wavelength full-waveform terrestrial laser scanner for forest ecology | |
| Li et al. | Seasonal change of leaf and woody area profiles in a midlatitude deciduous forest canopy from classified dual-wavelength terrestrial lidar point clouds | |
| Trichopoulos et al. | Broadband terahertz computed tomography using a 5k-pixel real-time THz camera | |
| Liu et al. | Wi-Fruit: See through fruits with smart devices | |
| Metzger et al. | The use of visible and near‐infrared spectroscopy for in‐situ characterization of agricultural soil fertility: A proposition of best practice by comparing scanning positions and spectrometers | |
| Bi et al. | Simultaneous extraction of plant 3-D biochemical and structural parameters using hyperspectral LiDAR | |
| CN106770016A (zh) | 单粒稻谷种子的蛋白质定量分析nir透射光谱测量方法 | |
| Han et al. | Evaluation of the optical layout and sample size on online detection of apple watercore and SSC using Vis/NIR spectroscopy | |
| Korpela et al. | Airborne dual-wavelength waveform LiDAR improves species classification accuracy of boreal broadleaved and coniferous trees | |
| Naethe et al. | A precise method unaffected by atmospheric reabsorption for ground-based retrieval of red and far-red sun-induced chlorophyll fluorescence | |
| Gonzalez-Valdes et al. | Nearfield-based array design for a realistic on-the-move personnel inspection system | |
| JP6518171B2 (ja) | 殻付卵の判定方法及び判定装置 | |
| Jiao et al. | The sensitivity of RADARSAT-2 quad-polarization SAR data to crop LAI | |
| Fu et al. | Fast measurement of fatty acid in soybean using reflective hyperspectral imaging | |
| Medic et al. | Remotely sensing inner fruit quality using multispectral LiDAR: Estimating sugar and dry matter content in apples |