¿Podría la tecnología de reconocimiento de objetos impulsada por IA ayudar a resolver la enfermedad del trigo?


Un nuevo proyecto de la Universidad de Illinois está utilizando tecnología avanzada de reconocimiento de objetos para mantener los granos de trigo contaminados con toxinas fuera del suministro de alimentos y para ayudar a los investigadores a hacer que el trigo sea más resistente al tizón de la espiga por fusarium, o enfermedad de la sarna, el principal enemigo del cultivo.


por Lauren Quinn, Universidad de Illinois en Urbana-Champaign


«El tizón de la espiga por Fusarium causa muchas pérdidas económicas en el trigo, y la toxina asociada, el deoxinivalenol (DON), puede causar problemas para la salud humana y animal. La enfermedad ha sido un gran impedimento para las personas que cultivan trigo en el este de los EE. hacer crecer un cultivo perfectamente agradable y luego llevarlo al elevador solo para que lo bloqueen o lo rechacen. Eso ha sido doloroso para las personas. Por lo tanto, es una gran prioridad tratar de aumentar la resistencia y reducir el riesgo de DON tanto como sea posible «, dice Jessica Rutkoski, profesor asistente en el Departamento de Ciencias de Cultivos, parte de la Facultad de Ciencias Agrícolas, del Consumidor y Ambientales (ACES) en Illinois. Rutkoski es coautor del nuevo artículo en Plant Phenome Journal .

Aumentar la resistencia a cualquier enfermedad de los cultivos tradicionalmente significa cultivar muchos genotipos del cultivo, infectarlos con la enfermedad y buscar síntomas. El proceso, conocido en fitomejoramiento como fenotipado, tiene éxito cuando identifica genotipos resistentes que no desarrollan síntomas, o síntomas menos severos. Cuando eso sucede, los investigadores tratan de identificar los genes relacionados con la resistencia a las enfermedades y luego colocan esos genes en híbridos de alto rendimiento del cultivo.

Es un proceso largo y repetitivo, pero Rutkoski esperaba que un paso, el fenotipado de los síntomas de la enfermedad, pudiera acelerarse. Buscó la ayuda de los expertos en inteligencia artificial Junzhe Wu, estudiante de doctorado en el Departamento de Ingeniería Agrícola y Biológica (ABE), y Girish Chowdhary, profesor asociado en ABE y el Departamento de Ciencias de la Computación (CS). ABE es parte de ACES y la Facultad de Ingeniería de Grainger, que también alberga CS.

«Queríamos probar si podíamos cuantificar el daño del grano utilizando imágenes simples de granos de un teléfono celular. Normalmente, observamos una placa de Petri de granos y luego le damos una calificación subjetiva. Es un trabajo muy tedioso. Tienes que tener personas específicamente entrenado y es lento, difícil y subjetivo. Un sistema que podría calificar automáticamente los kernels por daños parecía factible porque los síntomas son bastante claros», dice Rutkoski.

¿Podría la tecnología de reconocimiento de objetos impulsada por IA ayudar a resolver la enfermedad del trigo?
(A) El conjunto de entrenamiento que se usó para entrenar Mask R-CNN (Red neuronal convolucional basada en la región), así como para entrenar modelos de selección genómica. Para el entrenamiento de Mask R-CNN, los núcleos se etiquetaron manualmente como enfermos (límite azul) o sanos (límite dorado), creando el conjunto de datos FDKL. A continuación, se designó un subconjunto de 49 imágenes como conjunto de validación y se ajustaron los hiperparámetros Mask R-CNN para maximizar la capacidad de la red neuronal para predecir etiquetas en el conjunto de validación. (B) El conjunto de prueba consistió en nuevas muestras de nuevas líneas de mejoramiento en las que se probó el Mask R-CNN entrenado para predecir el estado enfermo (límite azul) o saludable (límite rojo) de los granos, creando el FDK Lconjunto de datos Además, este conjunto se utilizó como conjunto de prueba para determinar la precisión de la selección genómica (GS) para el deoxinivalenol (DON). FDK, Núcleo dañado por Fusarium. Crédito: The Plant Phenome Journal (2023). DOI: 10.1002/ppj2.20065

Wu y Chowdhary acordaron que era posible. Comenzaron con algoritmos similares a los utilizados por los gigantes tecnológicos para la detección y clasificación de objetos. Pero discernir diferencias mínimas entre granos de trigo sanos y enfermos a partir de imágenes de teléfonos celulares requirió que Wu y Chowdhary avanzaran más en la tecnología.

«Una de las cosas únicas de este avance es que entrenamos nuestra red para detectar kernels dañados minuciosamente con una precisión lo suficientemente buena utilizando solo unas pocas imágenes. Hicimos esto posible a través de un meticuloso procesamiento previo de datos, transferencia de aprendizaje y arranque de actividades de etiquetado. «, dice Chowdhary. «Esta es otra buena victoria para el aprendizaje automático y la IA para la agricultura y la sociedad».

Y agrega: «Este proyecto se basa en el Instituto Nacional de IA AIFARMS y el Centro de Agricultura Digital aquí en Illinois para aprovechar la fuerza de la IA para la agricultura«.

La detección exitosa del daño por fusarium (granos pequeños, arrugados, grises o calcáreos) significó que la tecnología también podría predecir la carga de toxinas del grano; cuantos más signos externos de daño, mayor es el contenido de DON.

Cuando el equipo probó solo la tecnología de aprendizaje automático , pudo predecir los niveles de DON mejor que las calificaciones de campo de los síntomas de la enfermedad, en las que los criadores a menudo confían en lugar del fenotipado del kernel para ahorrar tiempo y recursos. Pero en comparación con los humanos que calificaron el daño de la enfermedad en los granos en el laboratorio, la tecnología fue solo un 60% más precisa.

Sin embargo, los investigadores aún se sienten alentados, ya que sus pruebas iniciales no utilizaron una gran cantidad de muestras para entrenar el modelo. Actualmente están agregando muestras y esperan lograr una mayor precisión con ajustes adicionales.

«Si bien se necesita más capacitación para mejorar las capacidades de nuestro modelo, las pruebas iniciales muestran resultados prometedores y demuestran la posibilidad de proporcionar un método de fenotipado automatizado y objetivo para los granos dañados por fusarium que podría implementarse ampliamente para apoyar los esfuerzos de mejoramiento de resistencia», dice Wu.

Rutkoski dice que el objetivo final es crear un portal en línea donde los criadores como ella puedan cargar fotos de granos de trigo en sus teléfonos celulares para evaluar automáticamente el daño por fusarium.

«Una herramienta como esta podría ahorrar semanas de tiempo en un laboratorio, y ese tiempo es fundamental cuando intenta analizar los datos y preparar la próxima prueba. Y, en última instancia, cuanta más eficiencia podamos aportar al proceso, más rápido podremos puede mejorar la resistencia hasta el punto en que la costra puede eliminarse como un problema», dice ella.

Los autores del estudio incluyen a Junzhe Wu, Arlyn Ackerman, Rupesh Gaire, Girish Chowdhary y Jessica Rutkoski.

Más información: Junzhe Wu et al, Una red neuronal para el fenotipado de granos dañados por Fusarium (FDK) en trigo y su impacto en la precisión de la selección genómica, The Plant Phenome Journal (2023). DOI: 10.1002/ppj2.20065