En los cultivos de cereales, el número de hojas nuevas que produce cada planta se utiliza para estudiar los eventos periódicos que constituyen el ciclo de vida biológico del cultivo.
por la Universidad Agrícola de NanJing
El método convencional para determinar el número de hojas implica el conteo manual, que es lento, laborioso y generalmente asociado con grandes incertidumbres debido a los pequeños tamaños de muestra involucrados. Por lo tanto, es difícil obtener estimaciones precisas de algunos rasgos contando manualmente las hojas.
Sin embargo, los métodos convencionales se han mejorado con la tecnología. El aprendizaje profundo ha permitido el uso de algoritmos de segmentación y detección de objetos para estimar la cantidad de plantas (y hojas en estas plantas) en un área. Sin embargo, existe un obstáculo para el uso de estos algoritmos. Cuentan las puntas de las hojas, que parecen diminutas en las imágenes, lo que resulta difícil de detectar. En consecuencia, los métodos de aprendizaje profundo a menudo no funcionan en condiciones de campo reales.
VER: Papas editadas genéticamente para mayor rendimiento podrían estar listas para el campo en 2025
Con el objetivo de resolver este problema, un equipo de investigación multinacional desarrolló un método de conteo de puntas de hojas autosupervisado basado en técnicas de aprendizaje profundo , que arrojó un conteo de hojas de trigo con alta precisión. El estudio fue dirigido por el profesor Shouyang Liu de la Universidad Agrícola de Nanjing y se publicó en línea en Plant Phenomics el 20 de marzo de 2023.
Hablando sobre su trabajo, el profesor Liu dice: «Desarrollamos un método de alto rendimiento para contar la cantidad de hojas en las plantas de trigo al detectar las puntas de las hojas en imágenes RGB (rojo-verde-azul). La plataforma de fenotipado digital de plantas (D3P) se utilizó para simular un conjunto de datos grande y diverso de imágenes RGB y las correspondientes etiquetas de punta de hoja de plántulas de plantas de trigo. Se generaron más de 150 000 imágenes, con más de 2 millones de etiquetas».
Los investigadores utilizaron la adaptación de dominio, en la que una red neuronal entrenada en un conjunto de datos de «fuente» se aplica a un conjunto de datos de «prueba», también conocido como conjunto de datos de «objetivo». Esto se logró a través de técnicas de aprendizaje profundo que imitan los procesos neuronales utilizados por el cerebro humano y usan algoritmos inspirados en su estructura y función.
A continuación, los investigadores recopilaron 2763 imágenes RGB de campos de trigo jóvenes de 11 ubicaciones repartidas en cinco países. Se utilizó una variedad de medidas para crear un conjunto de datos de origen robusto y confiable: se usaron diferentes tipos de cámaras, diferentes ángulos de imagen e imágenes con diversos fondos de suelo/condiciones de luz. Además de capturar imágenes de campo, el equipo también generó imágenes de trigo simuladas, que se anotaron automáticamente con la D3P. Se utilizó la adaptación del dominio para mejorar el realismo de estas imágenes, que luego se utilizaron para entrenar los modelos de aprendizaje profundo.
En este estudio se utilizaron seis combinaciones de modelos de aprendizaje profundo y técnicas de adaptación de dominio; el modelo Faster-RCNN con técnica de adaptación CycleGAN demostró el mejor desempeño. Esto fue evidente por su alto coeficiente de determinación (R 2 = 0,94), una medida que determina la bondad de ajuste de un modelo, y su error cuadrático medio óptimo (RMSE = 8,7), una forma estándar de medir el error de un modelo. en la predicción de datos cuantitativos .
Además, de los tres factores evaluados para el desempeño de los modelos de conteo de hojas, se encontró que la condición de luz era de suma importancia. Por otro lado, se encontró que la textura de la hoja y el brillo del suelo eran menos importantes para el rendimiento, pero se encontró que la combinación de los tres factores mejoraba significativamente el realismo de las imágenes. Los resultados también revelaron que se requería una resolución espacial superior a 0,6 mm por píxel para garantizar una identificación precisa de las puntas de las hojas.
Al explicar las implicaciones de su estudio, el profesor Liu dice: «El método de aprendizaje profundo propuesto resultante parece muy atractivo, ya que elimina la tediosa, costosa y, a veces, imprecisa tarea de etiquetado manual al simular imágenes para las cuales las etiquetas se generan automáticamente. Las imágenes fueron también se hizo más realista utilizando técnicas de adaptación de dominio».
El equipo de investigación ha puesto a disposición las redes capacitadas aquí para facilitar futuras investigaciones en esta área.
VER La inteligencia artificial predice con alta precisión plagas en aguacate Hass
Más información: Yinglun Li et al, Fenotipado de plantas autosupervisado mediante la combinación de la adaptación de dominio con simulaciones de modelos de plantas en 3D: aplicación al conteo de hojas de trigo en la etapa de plántula, Plant Phenomics (2023). DOI: 10.34133/plantafenómica.0041
