Los avances recientes en inteligencia artificial (IA), junto con drones y cámaras digitales, han ampliado enormemente las fronteras de la agricultura inteligente.
por la Universidad Agrícola de NanJing
Un caso de uso atractivo para estas tecnologías es la agricultura de precisión. En este enfoque moderno de la agricultura, la idea es optimizar la producción de cultivos mediante la recopilación de datos precisos sobre las plantas y el estado del campo, y luego actuar en consecuencia.
Por ejemplo, al analizar imágenes aéreas de cultivos, los modelos de IA pueden determinar qué partes de un campo necesitan más atención, así como la etapa actual de desarrollo de las plantas.
Entre todas las funciones de monitoreo de cultivos que la IA puede realizar, el conteo de cabezas de cultivo sigue siendo una de las más difíciles de implementar. Las imágenes de cultivos contienen patrones repetitivos densamente empaquetados que generalmente son irregulares y se superponen, lo que dificulta que los modelos de aprendizaje profundo detecten automáticamente órganos específicos de la planta. Idealmente, uno entrenaría dichos modelos utilizando miles de imágenes anotadas manualmente, en las que se especifican previamente los píxeles que pertenecen a los cabezales de cultivo. En la práctica, sin embargo, anotar imágenes de recorte es extremadamente tedioso y requiere mucho tiempo.
Para abordar este problema, un equipo de investigación que incluye al profesor asistente Lingling Jin de la Universidad de Saskatchewan, Canadá, desarrolló una técnica innovadora que puede simplificar la capacitación y el desarrollo de modelos de aprendizaje profundo. Su enfoque, que se describe en un artículo publicado recientemente en Plant Phenomics , podría promover una adopción más generalizada de la IA en la agricultura.
Para ilustrar su idea, el equipo se centró en la identificación (o ‘segmentación’) de espigas de trigo en imágenes de cultivos como ejemplo de caso de uso. Su estrategia gira en torno a la generación de un conjunto de datos anotados sintéticos. Es decir, en lugar de marcar manualmente los píxeles que pertenecen a las espigas de trigo en cientos de imágenes, idearon una forma conveniente de producir imágenes artificiales en las que las espigas de trigo se marcan automáticamente.
Primero, los investigadores grabaron videos cortos de un campo de trigo y de otros lugares sin plantas de trigo (también llamados videos de «fondo»). De las imágenes del campo de trigo, extrajeron una pequeña cantidad de imágenes fijas y las anotaron manualmente, identificando todas las cabezas de trigo.
Luego, usando fotogramas de los videos de fondo como lienzo, generaron imágenes de trigo sintético pegando ‘recortes’ de las cabezas de trigo segmentadas manualmente en ellas. Este enfoque permitió al equipo producir miles de imágenes de entrenamiento para un modelo de aprendizaje profundo con un esfuerzo mínimo.
Para mejorar aún más el modelo, que se basaba en una arquitectura U-Net personalizada, los investigadores también emplearon varias técnicas de adaptación de dominio. Estas técnicas ajustaron el algoritmo para que funcionara mejor en imágenes de varios campos de trigo del mundo real, aunque se entrenó principalmente en imágenes sintéticas.
Numerosas pruebas en un conjunto de datos de acceso abierto revelaron ganancias impresionantes en precisión, como señala Jin: «Nuestro enfoque estableció, y por un amplio margen en rendimiento, un nuevo modelo de vanguardia para la segmentación de cabezas de trigo».
Vale la pena señalar que las técnicas mostradas en este trabajo no se limitan a identificar espigas de trigo. En este sentido, Jin dice: «Si bien mostramos la utilidad del método propuesto para la segmentación de cabezas de trigo, podría aplicarse a otras aplicaciones que tienen patrones repetitivos densos similares de objetos, como la segmentación de órganos de plantas en otras especies de cultivos o la segmentación molecular». componentes en imágenes de microscopía». Por lo tanto, este trabajo pinta un futuro brillante para el aprendizaje profundo tanto en la agricultura como en otros campos.
Más información: Keyhan Najafian et al, Aprendizaje semiautosupervisado para la segmentación semántica en imágenes con patrones densos, Plant Phenomics (2023). DOI: 10.34133/plantafenomics.0025
