El tizón de la espiga por Fusarium (FHB) es una enfermedad floral muy extendida en el trigo que causa importantes pérdidas de rendimiento y produce micotoxinas nocivas, lo que plantea graves riesgos para la salud.
por la Universidad Agrícola de NanJing
Investigaciones recientes se han centrado en mejorar la detección de enfermedades, y las imágenes hiperespectrales han demostrado ser efectivas pero limitadas por el costo y el tiempo. En consecuencia, las imágenes rojo-verde-azul (RGB) han ganado importancia debido a su asequibilidad y velocidad, aunque solo capturan el espectro visible.
Los avances en el aprendizaje profundo han facilitado una detección de enfermedades basada en imágenes más precisa utilizando datos RGB. Sin embargo, debido a la variabilidad de las manifestaciones de la enfermedad y las limitaciones de los conjuntos de datos existentes, los métodos actuales dependen en gran medida de imágenes de oído disecadas y controladas, y enfrentan desafíos en las aplicaciones de campo. Por lo tanto, es de gran importancia desarrollar métodos de detección basados en RGB más sólidos y aplicables en el campo para evaluar con precisión la gravedad de FHB en diferentes condiciones.
En julio de 2023, Plant Phenomics publicó un artículo de investigación titulado » Estimación eficiente y no invasiva de FHB utilizando imágenes RGB de un nuevo conjunto de datos multianual y de múltiples evaluadores «.
En este estudio, se desarrolló un algoritmo basado en EfficientNet para estimar la gravedad de FHB utilizando imágenes RGB de cámaras de consumo, evitando la necesidad de una segmentación previa de píxeles. A diferencia de redes más lentas como ResNets o MobileNets, EfficientNet no solo es más rápido y más pequeño, sino que también se puede implementar en dispositivos móviles.
La confiabilidad de la red se comparó con la confiabilidad entre evaluadores, y su desempeño se evaluó a lo largo de diferentes años y datos que no formaban parte del conjunto de entrenamiento, lo que reveló que el kappa κ de Cohen mostró una igualdad moderada entre los evaluadores, pero varió a lo largo de los años, con desviaciones generalmente dentro de un nivel de gravedad. .
El estudio descubrió además que las redes neuronales entrenadas con anotaciones de evaluadores específicas se adaptaban bien a sus evaluaciones, lo que llevó a un mayor acuerdo en comparación con las coincidencias de evaluadores, y demostraron menos predicciones erróneas de etiquetas importantes, lo que indica su precisión.
Las métricas de exactitud, puntuación F1 ponderada, precisión y recuperación corroboraron aún más que estas redes neuronales superan las coincidencias de los evaluadores en rendimiento. Curiosamente, las redes entrenadas con datos de diferentes años y probadas con conjuntos de datos de un solo año mostraron un rendimiento variable.
Las redes de datos de varios años generalmente superaron a las redes de un solo año en métricas de clasificación y regresión, lo que subraya la importancia del tamaño y la diversidad del conjunto de datos para mejorar el rendimiento del modelo.
En resumen, la investigación indica potencial para mejorar el modelo con conjuntos de datos más extensos que cubran una gama más amplia de gravedades de FHB y sugiere automatización en el preprocesamiento de imágenes para mejorar la eficiencia. El trabajo futuro podría implicar implementar los modelos en aplicaciones móviles o integrarlos con datos basados en drones para pruebas de campo a gran escala, aprovechando la compatibilidad de EfficientNet con dispositivos móviles.
Más información: Dominik Rößle et al, Estimación eficiente de FHB no invasiva utilizando imágenes RGB de un nuevo conjunto de datos multianual y de múltiples evaluadores, Plant Phenomics (2023). DOI: 10.34133/plantfenómica.0068
