AI 赋能传统显微镜，美研团队研发低成本土壤真菌检测系统

  美国得克萨斯大学圣安东尼奥分校（UTSA）的研究人员正在开发一种基于人工智能的显微镜系统，有望使土壤健康检测变得更加快速、廉价且易于获取。这一创新技术将为全球农民和土地管理者提供更高效的土壤检测工具。

  据了解，该研究团队成功将低成本的光学显微镜与机器学习相结合，用于测量土壤样本中真菌的存在和数量。这一处于早期阶段的概念验证技术于 7 月 9 日在布拉格举行的戈德施密特会议上进行了展示。

  土壤真菌的丰度和多样性是评估土壤健康和肥力的重要指标，因为真菌在土壤中营养元素的生物地球化学循环、水分保持以及植物生长中发挥着关键作用。通过了解这些信息，农民可以优化农作物生产，提高可持续性，例如在施肥、灌溉和耕作等方面做出更明智的决策。

  光学显微镜是最古老的显微镜设计，长期以来一直被用于发现和识别土壤中的微小生物。其他土壤检测方法则采用磷脂脂肪酸测试和 DNA 分析来检测生物体，或者测量土壤中氮、磷、钾等化学物质的含量。尽管这些现代方法功能强大，但往往成本较高，且仅侧重于化学成分，忽略了土壤生态系统的完整生物复杂性。

  UTSA 科学院的亚历克・格雷夫斯（Alec Graves）本周在戈德施密特会议上展示了这项研究，他表示：“目前的土壤生物分析方法存在局限性，要么需要昂贵的实验室设备来测量分子组成，要么需要专家通过显微镜用肉眼识别生物体。全面的土壤检测对于需要了解农业实践对土壤健康影响的农民和土地管理者来说并不容易获得。”

  “我们利用机器学习算法和光学显微镜，正在开发一种低成本的土壤检测解决方案，减少所需的人力和专业知识，同时提供更完整的土壤生物学图景。”格雷夫斯补充道。

  在他们的早期设计中，研究人员构建并测试了一种机器学习算法，用于检测土壤样本中的真菌生物量，并将其整合到用于标记显微镜图像的定制软件中。该软件使用了来自得克萨斯州中南部土壤中数千张真菌图像的数据集。该软件适用于许多价格实惠的现成显微镜，包括学校实验室中常见的 100 倍和 400 倍总放大倍数的显微镜。

  “我们的技术通过分析土壤样本的视频，将其分解为图像，并利用神经网络识别和量化真菌。”格雷夫斯说，“我们的概念验证已经能够在稀释样本中检测到真菌菌丝，并估算真菌生物量。”

  目前，该团队正在努力将这一技术整合到一个移动机器人平台上，用于检测土壤中的真菌。该系统将把样本采集、显微摄影和分析集成到一个设备中，他们计划在未来两年内出开发一个完全成熟且可部署的设备用于测试。

  该研究由 UTSA 水资源研究可持续性和政策研究所所长萨加塔・达塔（Saugata Datta）教授领导，机器学习算法的详细信息预计将于今年晚些时候在同行评审的期刊上发表。