Un equipo de investigación ha desarrollado Point-Line Net, un método de aprendizaje profundo basado en el marco Mask R-CNN, para reconocer automáticamente imágenes de campos de maíz y determinar la cantidad y la trayectoria de crecimiento de hojas y tallos.
por la Universidad Agrícola de NanJing
![Rendimiento de diferentes modelos de detección de objetos: (a) precisión-recuperación con diferentes modelos; (b) mAP50 (%) logrado utilizando diferentes modelos. Crédito: Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0199 Un innovador modelo de aprendizaje profundo mejora la detección del fenotipo del maíz y la gestión del cultivo](https://scx1.b-cdn.net/csz/news/800a/2024/innovative-deep-learni.jpg)
El modelo logró una precisión de detección de objetos (mAP50) del 81,5 % e introdujo una nueva rama de detección de puntos clave ligera. Este método innovador promete mejorar la eficiencia del mejoramiento de plantas y la detección de fenotipos en entornos de campo complejos, allanando el camino para una gestión de cultivos y una predicción del rendimiento más precisas.
El maíz, un cultivo vital a nivel mundial, es esencial para la alimentación, los piensos y las aplicaciones industriales. Comprender los fenotipos del maíz, como la altura de la planta, la cantidad y la longitud de las hojas, es esencial para aumentar el rendimiento y la precisión en el mejoramiento. A pesar de los avances en visión artificial y aprendizaje profundo , la detección precisa de fenotipos en condiciones de campo sigue siendo un desafío debido a los antecedentes complejos y los factores ambientales. Los métodos actuales, diseñados principalmente para entornos controlados, tienen dificultades para hacer frente a estos desafíos.
Un estudio publicado en Plant Phenomics el 29 de mayo de 2024 propone el modelo Point-Line Net para mejorar la detección fenotípica de campo al localizar y rastrear con precisión las posiciones y trayectorias de las hojas de maíz.
En este estudio, la investigación evaluó la precisión de detección de objetos para el maíz utilizando tres modelos populares: Faster R-CNN, RetinaNet y YOLOv3. Utilizando las arquitecturas de modelos originales, se descubrió que Faster R-CNN con ResNet101 + FPN logró el mayor rendimiento, con un mAP50 de 76,2 % y un mAP75 de 39,9 %, aunque con un tiempo de detección más largo de 89,6 ms.
Para mejorar la precisión, se ajustaron los hiperparámetros y se incorporaron las técnicas Soft-NMS y D IoU, mejorando el mAP50 al 75,5 % y el mAP75 al 49,2 %. Inspirados en la detección humana de puntos clave, la investigación desarrolló el innovador modelo Point-Line Net, que logró un mAP50 del 81,5 % y un mAP75 del 50,1 %, superando a los métodos tradicionales.
Este método también demostró una mayor precisión en la descripción de las trayectorias de las hojas y los tallos, con un índice de evaluación de distancia personalizado (mLD) de 33,5, lo que indica su eficacia en entornos de campo complejos. El proceso de entrenamiento y validación reveló que el modelo se estabilizó alrededor de la centésima época, lo que sugiere un rendimiento óptimo para las tareas de predicción posteriores.
Según el investigador principal del estudio, Jue Ruan, «Creemos que los resultados de este estudio también pueden proporcionar ideas para la gestión del campo y la recopilación de datos fenotípicos de otros cultivos».
En resumen, el modelo Point-Line Net logró una precisión de detección de objetos (mAP50) del 81,5 % e introdujo una nueva rama de detección de puntos clave liviana, lo que mejoró significativamente la detección fenotípica. La investigación destaca el potencial de los métodos de aprendizaje profundo para mejorar la eficiencia de la fenotipificación de plantas de campo, lo que ofrece información valiosa para el mejoramiento y la gestión de cultivos en el futuro.
La integración de información de anotación adicional, como etapas de crecimiento específicas y datos de múltiples ángulos, podría mejorar aún más la precisión y aplicabilidad del modelo, allanando el camino para prácticas agrícolas más precisas y mejores predicciones del rendimiento de los cultivos.
Más información: Bingwen Liu et al, Reconocimiento y localización de trayectorias de hojas y tallos de maíz en imágenes RGB basadas en Point-Line Net, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0199
![](https://mundoagropecuario.net/wp-content/uploads/2024/04/leer-4-4-24.jpg)