El cultivo de mezclas de semillas para pastos locales es un método antiguo para producir alimentos para animales rentables y equilibrados, mejorando la autonomía agrícola y el respeto al medio ambiente en línea con la evolución de las regulaciones europeas y las demandas de los consumidores orgánicos.
por Fenómica vegetal
A pesar de sus beneficios, los agricultores enfrentan desafíos de adopción debido a la maduración asincrónica de cereales y legumbres y la dificultad para evaluar el valor nutricional de semillas heterogéneas.
Las prácticas actuales se basan en métodos empíricos e informales, y una solución propuesta es desarrollar una aplicación móvil o un servicio en línea, similar a Pl@ntNet, para la evaluación nutricional automatizada de mezclas de semillas, fomentando la participación de los agricultores y el enriquecimiento de la base de datos. Sin embargo, esto requiere superar los desafíos agrícolas y de visión por computadora.
Superarlos, junto con la optimización de los modelos de redes neuronales profundas y las funciones de pérdida, sigue siendo un foco de investigación fundamental para hacer que esta práctica agrícola sostenible sea más accesible y eficiente.
En noviembre de 2023, Plant Phenomics publicó un artículo de investigación titulado » Estimación de composiciones y valores nutricionales de mezclas de semillas basadas en transformadores de visión «.
Esta investigación presenta un enfoque novedoso que utiliza inteligencia artificial para estimar el valor nutricional de las mezclas de semillas cosechadas, con el objetivo de ayudar a los agricultores a gestionar el rendimiento de los cultivos y promover el cultivo sostenible.
Se creó un conjunto de datos de 4749 imágenes que cubren 11 variedades de semillas para entrenar dos modelos de aprendizaje profundo : redes neuronales convolucionales (CNN) y transformadores de visión (ViT). Los resultados favorecieron significativamente al modelo BeiT basado en ViT, que superó a la CNN en todas las métricas, incluido un error absoluto medio (MAE) de sólo 0,0383 y un coeficiente de determinación (R 2 ) de 0,91.
Las técnicas de aumento de datos y las variaciones del tamaño del modelo refinaron aún más el rendimiento. Aunque los modelos más grandes ofrecen algunas mejoras, la versión base de BeiT demostró ser la más eficiente en términos de equilibrio entre rendimiento y recursos computacionales. El estudio también exploró las funciones de pérdida y descubrió que la pérdida clásica de KLDiv superó a la variante Sparsemax.
El análisis detallado por tipo de semilla reveló un desempeño distinto en todas las categorías, con modelos que generalmente sobresalen en el reconocimiento de cebada, altramuz, centeno, espelta y trigo, mientras enfrentan desafíos con arveja y avena. Agregar predicciones de múltiples imágenes de la misma combinación mejoró significativamente la solidez y la precisión.
La investigación culminó con el desarrollo de » ESTI’METEIL «, un componente web de acceso abierto que permite a los usuarios estimar la composición de las semillas y el valor nutricional a partir de imágenes. Esta herramienta demuestra la aplicación práctica y el potencial de la investigación para escenarios agrícolas del mundo real.
En conclusión, el estudio aplicó eficazmente técnicas avanzadas de aprendizaje profundo, en particular el modelo BeiT autosupervisado, al desafío agrícola de estimar la composición de las mezclas de semillas y sus valores nutricionales. La investigación no solo mostró resultados prometedores con una alta puntuación R 2 , sino que también proporcionó una herramienta práctica para los agricultores, lo que marcó un paso significativo hacia prácticas agrícolas más sostenibles e informadas.
El trabajo futuro tendrá como objetivo mejorar el equilibrio de datos y explorar la generación de imágenes sintéticas para mejorar aún más el rendimiento del modelo y la aplicabilidad práctica.
Más información: Shamprikta Mehreen et al, Estimación de composiciones y valores nutricionales de mezclas de semillas basadas en transformadores de visión, Plant Phenomics (2023). DOI: 10.34133/plantfenómica.0112