La soja es una legumbre importante para la agricultura, rica en proteínas y aceite, y los cultivadores buscan mejorar los rendimientos mediante características como el peso de las semillas, la forma y el número de vainas.
por la Academia China de Ciencias
Las investigaciones actuales aprovechan el aprendizaje profundo (DL) para la fenotipificación de alto rendimiento, pero los métodos convencionales son laboriosos y propensos a errores.
Los métodos de DL basados en la segmentación y la detección enfrentan desafíos con vainas densas y superpuestas. Para abordar estos problemas, el enfoque se ha desplazado hacia la exploración de métodos de detección basados en puntos, como P2PNet, para fenotipificar con precisión las vainas y semillas de soja in situ.
Un equipo de investigación ha desarrollado el modelo DEKR-SPrior para mejorar la fenotipificación de alto rendimiento de las semillas y las vainas de soja. Este modelo, que mejora la discriminación de características a través de un nuevo módulo SPrior, reduce significativamente el error absoluto medio en la fenotipificación de las vainas en comparación con los modelos existentes.
La capacidad de DEKR-SPrior para contar y localizar con precisión vainas y semillas densamente compactas promete agilizar los procesos de mejoramiento de soja, ofreciendo una herramienta valiosa para mejorar las predicciones del rendimiento de los cultivos y avanzar en la investigación agrícola.
El estudio, publicado en Plant Phenomics el 27 de junio de 2024, propone el modelo DEKR-SPrior, que incorpora conocimiento estructural previo, para mejorar la precisión del fenotipado de las vainas de soja.
En este estudio, se comparó el rendimiento del modelo DEKR-SPrior con otros cuatro modelos de abajo hacia arriba (Lightweight-OpenPose, OpenPose, HigherHRNet y el DEKR original) en un conjunto de datos de subimágenes de alta resolución compuesto por 205 imágenes de plantas de soja recortadas.
DEKR-SPrior demostró una precisión superior, con valores de AP, AP50, AP(1-seeded), AP(2-seeded), AP(3-seeded) y AP(4-seeded) de 72,4 %, 91,4 %, 71,7 %, 80,9 %, 85,6 % y 83,6 %, respectivamente. En comparación con el DEKR original, DEKR-SPrior mostró mejoras notables en todas las métricas, en particular con ganancias significativas en AP para los grupos de 2 y 3 semillas.
Las curvas de precisión-recuperación (PR) indicaron que DEKR-SPrior mantuvo una mayor precisión en determinadas tasas de recuperación, lo que redujo de manera efectiva las detecciones incorrectas y fallidas. La visualización de los resultados mostró una identificación y conexión precisas de las posiciones de las semillas , incluso en vainas densamente compactas.
El análisis de ablación confirmó además la mejora proporcionada por el módulo SPrior, con un rendimiento óptimo logrado en un valor de hiperparámetro específico.
DEKR-SPrior también superó a otros modelos en pruebas de imágenes de tamaño completo, logrando errores absolutos medios (MAE) más bajos y coeficientes de correlación de Pearson (PCC) más altos para los recuentos de semillas y vainas, lo que subraya su eficacia en la fenotipificación de la soja.
Según el investigador principal del estudio, Jingjing He, «Este artículo demostró el gran potencial de DEKR-SPrior para el fenotipado de plantas, y esperamos que DEKR-SPrior ayude al fenotipado de plantas en el futuro».
En resumen, el modelo DEKR-SPrior logró una mayor precisión y tasas de recuperación, lo que demuestra su eficacia para detectar y contar con precisión las vainas y semillas de soja . De cara al futuro, DEKR-SPrior tiene un gran potencial para hacer avanzar la investigación agrícola y los programas de mejoramiento al proporcionar un método más preciso y eficiente para la fenotipificación de los rasgos de los cultivos.
Este modelo podría perfeccionarse y adaptarse aún más a otros cultivos, mejorando la predicción del rendimiento y contribuyendo a la seguridad alimentaria.
Más información: Jingjing He et al, DEKR-SPrior: Un modelo eficiente de detección de puntos clave de abajo hacia arriba para una fenotipificación precisa de las vainas de soja, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0198
