Investigadores de la Universidad Estatal de Carolina del Norte y la Universidad Estatal de Iowa han demostrado una tecnología automatizada capaz de medir con precisión el ángulo de las hojas en las plantas de maíz en el campo.
por Matt Shipman, Universidad Estatal de Carolina del Norte
Esta tecnología hace que la recopilación de datos sobre los ángulos de las hojas sea significativamente más eficiente que las técnicas convencionales, proporcionando a los fitomejoradores datos útiles más rápidamente.
«El ángulo de las hojas de una planta, en relación con su tallo, es importante porque el ángulo de la hoja afecta la eficiencia de la planta para realizar la fotosíntesis», dice Lirong Xiang, primer autor de un artículo sobre el trabajo y profesor asistente de biología y agricultura. ingeniería en NC State. «Por ejemplo, en el maíz, quieres hojas en la parte superior que sean relativamente verticales, pero hojas más abajo en el tallo que sean más horizontales. Esto permite que la planta coseche más luz solar. Los investigadores que se enfocan en el fitomejoramiento monitorean este tipo de arquitectura vegetal. , porque informa su trabajo.
«Sin embargo, los métodos convencionales para medir los ángulos de las hojas implican medir las hojas a mano con un transportador, lo que requiere mucho tiempo y trabajo», dice Xiang. «Queríamos encontrar una manera de automatizar este proceso, y lo hicimos».
La nueva tecnología, llamada AngleNet, tiene dos componentes clave: el hardware y el software.
El hardware, en este caso, es un dispositivo robótico que va montado sobre ruedas. El dispositivo se dirige manualmente y es lo suficientemente angosto para navegar entre hileras de cultivos que están separadas por 30 pulgadas, el ancho estándar que usan los agricultores. El dispositivo en sí consta de cuatro niveles de cámaras, cada una de las cuales está configurada a una altura diferente para capturar un nivel diferente de hojas en las plantas circundantes. Cada nivel incluye dos cámaras, lo que le permite capturar una vista estereoscópica de las hojas y permitir el modelado 3D de las plantas.
A medida que el dispositivo se dirige por una hilera de plantas, se programa para capturar múltiples imágenes estereoscópicas, a múltiples alturas, de cada planta que pasa.
Todos estos datos visuales se introducen en un programa de software que luego calcula el ángulo de la hoja para las hojas de cada planta a diferentes alturas.
«Para los fitomejoradores , es importante saber no solo cuál es el ángulo de la hoja, sino qué tan lejos están esas hojas del suelo», dice Xiang. «Esto les brinda la información que necesitan para evaluar la distribución del ángulo de la hoja para cada fila de plantas. Esto, a su vez, puede ayudarlos a identificar líneas genéticas que tienen rasgos deseables o rasgos indeseables».
Para probar la precisión de AngleNet, los investigadores compararon las mediciones del ángulo de la hoja realizadas por el robot en un campo de maíz con las mediciones del ángulo de la hoja realizadas a mano utilizando técnicas convencionales.
«Descubrimos que los ángulos medidos por AngleNet estaban dentro de los 5 grados de los ángulos medidos a mano, lo que está dentro del margen de error aceptado para fines de fitomejoramiento», dice Xiang.
«Ya estamos trabajando con algunos científicos de cultivos para hacer uso de esta tecnología, y somos optimistas de que más investigadores estarán interesados en adoptar la tecnología para informar su trabajo. En última instancia, nuestro objetivo es ayudar a acelerar la investigación de fitomejoramiento que mejorar el rendimiento de los cultivos».
El artículo, » Detección y caracterización robótica del ángulo de la hoja basada en el campo de las plantas de maíz mediante visión estéreo y redes neuronales convolucionales profundas «, se publica en acceso abierto en Journal of Field Robotics . El autor correspondiente del artículo es Lie Tang, profesor de ingeniería agrícola y de biosistemas en el estado de Iowa.
Más información: Lirong Xiang et al, Detección robótica del ángulo de la hoja basada en el campo y caracterización de plantas de maíz mediante visión estéreo y redes neuronales convolucionales profundas, Journal of Field Robotics (2023). DOI: 10.1002/rob.22166
