共计 1116 个字符，预计需要花费 3 分钟才能阅读完成。
真菌检测神经网络的验证图像输出（未用于训练的图片）；（左：显微镜图像，中：专家人工标注，右：神经网络预测）。图片来源：UTSA
经典显微镜正迎来现代革新——美国研究人员正在开发一种 AI 驱动的显微镜系统，有望使全球农民和土地管理者更快、更便宜、更便捷地进行土壤健康检测。
美国德克萨斯大学圣安东尼奥分校的研究人员成功将低成本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。他们的早期概念验证技术已于 7 月 9 日周三在布拉格戈尔德施密特会议上展示。
确定土壤真菌的丰度和多样性可以为土壤健康和肥力提供有价值的见解，因为真菌在养分生物地球化学循环、水分保持和植物生长中发挥着重要作用。基于这些知识，农民可以通过优化土壤管理决策（包括施肥、灌溉和耕作）来提高作物生产效率和可持续性。
光学显微镜是最古老的显微镜设计，长期以来一直用于发现和识别土壤中的微小生物。其他形式的土壤检测使用磷脂脂肪酸检测和 DNA 分析等技术来检测生物体，或测量氮、磷和钾等化学物质的存在。尽管这些现代方法功能强大，但往往成本高昂，或者仅强调化学成分，常常忽略了土壤生态系统的完整生物复杂性。
美国德克萨斯大学圣安东尼奥分校科学学院的 Alec Graves 在本周的戈尔德施密特会议上展示了这项研究。他表示：“目前的生物土壤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，要么需要专家使用实验室显微镜通过视觉识别生物体。全面的土壤检测并未广泛普及到农民和土地管理者手中，而他们需要了解农业实践如何影响土壤健康。”
“通过机器学习算法和光学显微镜，我们正在开发一种低成本的土壤检测解决方案，减少所需的劳动力和专业知识，同时提供更全面的土壤生物学信息。”
在早期设计中，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，并将其集成到用于标注显微镜图像的自定义软件中。该软件使用了来自德克萨斯州中南部土壤的数以千计的真菌图像数据集。该软件仅需 100 倍和 400 倍的总显微镜放大倍数，这些放大倍数在许多价格实惠的现成显微镜中均可实现，包括学校实验室中的显微镜。
“我们的技术分析土壤样本的视频，将其分解为图像，并使用神经网络来识别和量化真菌，”Graves 说。“我们的概念验证已经可以检测稀释样本中的真菌丝并估计真菌生物量。”
该团队目前正致力于将他们的技术集成到移动机器人平台中，用于检测土壤中的真菌。该系统将样本采集、显微摄影和分析整合到一个设备中。他们的目标是在未来两年内开发出完全可部署的设备并进行测试。
该研究由 UTSA 水资源可持续性与政策研究所所长 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发表在同行评审期刊上。
