La cría selectiva de cultivos de cereales es una de las principales razones por las que las plantas domesticadas producen rendimientos tan excelentes. Sin embargo, la selección de los mejores candidatos para el mejoramiento es una tarea notablemente compleja.
por la Universidad Agrícola de NanJing
Por un lado, requiere un mejorador experto con ojos entrenados para evaluar la resistencia de las plantas a enfermedades y plagas, el crecimiento de los cultivos y otros factores. Por otro lado, también requiere mediciones precisas asistidas por herramientas, como el tamaño, la masa y la calidad del grano.
Aunque todas estas medidas estándar son útiles, ninguna de ellas tiene en cuenta el número de panículas o ‘cabezas’ por planta. La densidad de cabezas está estrechamente relacionada con el rendimiento del cultivo en la mayoría de los casos, y fácilmente podría ser una característica básica para medir en los programas de mejoramiento. Sin embargo, estimar el número de cabezas por planta y por unidad de área lleva mucho tiempo y requiere un trabajo manual tedioso.
Para abordar este problema, muchos investigadores han desarrollado modelos de aprendizaje automático que pueden detectar automáticamente cabezas individuales en cultivos de cereales en imágenes tomadas a nivel del suelo o con drones.
Si bien estos modelos tienen como objetivo simplificar el proceso de conteo manual en el campo, la realidad es que generalmente se entrenan en condiciones de prueba limitadas y se enfocan exclusivamente en la detección de cabezas sin proporcionar más métricas. En otras palabras, usar estos modelos fuera del contexto en el que fueron desarrollados y entrenados puede ser difícil, tedioso e incluso arrojar malos resultados.
En este contexto, un equipo de investigación que incluía al profesor Scott Chapman de la Universidad de Queensland, Australia, buscó promover modelos de aprendizaje profundo para el conteo de personas al proporcionar una canalización detallada que describe su uso. Como se explica en su artículo, que se publicó recientemente en Plant Phenomics , esta tubería cubre la mayoría de las peculiaridades y desafíos que uno podría encontrar al usar estos modelos.
«Tomamos en consideración varias variables del mundo real, incluida la preparación de datos, la validación del modelo, la inferencia y cómo derivar métricas específicas de rendimiento», explica Chapman, «Nuestro objetivo era delinear una tubería práctica e integral para la detección de cabeza en sorgo«.
Hay dos variantes de la tubería propuesta, que se demuestran a través de dos experimentos ilustrativos independientes. En el primero, los investigadores muestran cómo se debe proceder si se necesita preparar conjuntos de datos de capacitación, prueba y validación para un modelo de aprendizaje automático determinado desde cero. Este suele ser el caso cuando los conjuntos de datos disponibles públicamente no son adecuados para el campo objetivo, lo que puede suceder, por ejemplo, cuando se trata de una etapa diferente en el desarrollo de la planta que los conjuntos de datos disponibles.
En el segundo experimento, el equipo muestra los pasos necesarios para utilizar varios modelos de aprendizaje profundo previamente entrenados para la detección y/o el conteo de cabezas de sorgo. Demuestran cómo los resultados de detección (es decir, la salida de modelos que solo delinean cabezas de sorgo en un conjunto de imágenes dadas) se pueden ‘unir’ en imágenes de mosaico más grandes. Esto permite observar y analizar grandes áreas más fácilmente y calcular métricas importantes, como la densidad de cabeza por hilera de labranza o por metro cuadrado.
«Nuestra tubería produce un mapa de densidad de cabeza de alta resolución que se puede utilizar para el diagnóstico de la variabilidad agronómica dentro de un campo sin depender de un software comercial», destaca Chapman.
En general, este estudio será útil tanto para los investigadores como para las personas involucradas en la industria agrícola. No solo explica cómo se pueden aprovechar los modelos de aprendizaje profundo para evaluar los cultivos de granos de manera más eficiente, sino que también ayuda a desbloquear nuevas funcionalidades para drones equipados con cámaras en la agricultura.
Vale la pena señalar que la tubería propuesta podría adaptarse a otras plantas además del sorgo, como comenta Chapman: «Aunque demostramos nuestra tubería en un campo de sorgo, se puede generalizar a otras especies de granos. En trabajos futuros, tenemos la intención de probar nuestra tubería en tareas que involucran otros tipos de granos, como la estimación del rendimiento de trigo y maíz».
Más información: Chrisbin James et al, From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection, Plant Phenomics (2023). DOI: 10.34133/plantafenomics.0017
