La agricultura es una de las actividades más antiguas del mundo y siempre ha estado a la vanguardia de la innovación tecnológica.
por la Universidad Agrícola de NanJing
Con equipos mecanizados, semillas modificadas y dispositivos digitales, todos los aspectos de la agricultura, desde la siembra hasta la cosecha, se optimizan gradualmente. Estos beneficios también se han traducido en una mejor estimación del rendimiento de cultivos como la soja.
Los modelos de estimación de rendimiento basados en el aprendizaje profundo utilizan enfoques como la regresión, los cuadros delimitadores tradicionales o los mapas de densidad para facilitar el recuento de semillas. En comparación con el conteo manual, estos métodos son, sin duda, más simples, precisos y fáciles de implementar.
“P2PNet” es uno de esos métodos de conteo automatizado que se propuso recientemente para simplificar el conteo de puntos de semillas de soja . Sin embargo, este método demostró un bajo rendimiento para el conteo directo de semillas. La perturbación de los objetos de fondo, las predicciones excesivas sustanciales, el uso de características de alto nivel y la escala no contabilizada de los objetos se identificaron como algunos inconvenientes de este modelo.
Para contrarrestar los desafíos asociados con este modelo, investigadores de Japón han desarrollado un nuevo modelo que se suma a la lista de innovaciones tecnológicas agrícolas. Cuenta con precisión el número de semillas de soja a partir de imágenes de campo de plantas de soja, lo que elimina el proceso de recuento de semillas que requiere mucha mano de obra.
El estudio fue dirigido por el profesor asociado Wei Guo de la Universidad de Tokio y se publicó en línea en Plant Phenomics .
“La soja es una importante fuente de proteínas para los animales y los seres humanos. Por lo tanto, lograr un alto rendimiento de los cultivos es un criterio y un objetivo común en la mayoría de los programas de mejoramiento”, explica el profesor Guo.
El conteo de semillas es de particular interés para los agricultores, ya que puede usarse para determinar tanto el rendimiento de la planta como su potencial de reproducción. Los métodos tradicionales de conteo de semillas automatizados basados en imágenes realizan un seguimiento de las semillas en las imágenes colocándolas en cuadros delimitadores. Sin embargo, en condiciones de campo reales, la presencia de fondos complejos, vainas superpuestas y condiciones de iluminación variables pueden hacer que los cuadros delimitadores se superpongan, lo que genera imprecisiones en el conteo y la posición de las semillas.
Al abordar estos desafíos, el equipo actualizó P2PNet al nuevo modelo mejorado “P2PNet-Soy”. Cuenta objetos identificándolos como pequeños puntos en la imagen. Para obtener datos para entrenar el modelo de identificación de semillas de soja, los investigadores tomaron 374 imágenes de plantas de soja cultivadas en un campo.
Fotografiaron dos lados (anverso y reverso) de la planta para capturar el máximo de semillas en la planta. A continuación, técnicos expertos del Laboratorio de Fenómica de Campo de la Universidad de Tokio marcaron cuidadosamente las semillas presentes en cada vaina de soja con puntos. Se aseguraron de que solo se anotaran las semillas pertenecientes a la planta de destino y se excluyeran las de las plantas vecinas y el fondo. Luego, los investigadores seleccionaron 181 imágenes para entrenar y usaron las otras 193 imágenes, que se tomaron del lado opuesto, para evaluar el modelo.
Los investigadores adoptaron varias estrategias para mejorar el rendimiento del modelo. Primero, se capturaron las características de alto y bajo nivel de las imágenes de campo. Las características de alto nivel generalmente consideran el contexto de los objetos en las imágenes, mientras que las características de bajo nivel son mucho más útiles para reconocer detalles y objetos más pequeños.
A continuación, se utilizó un método de extracción de características de escala invariable conocido como convolución atrosa para permitir que el modelo detectara semillas de diferentes tamaños. Además, se aplicaron mecanismos de atención espacial y de canal para diferenciar mejor las semillas del fondo. El equipo de investigación refinó las predicciones del modelo mediante la aplicación de una técnica de posprocesamiento llamada árbol kd, un algoritmo de agrupamiento no supervisado que determina los centros de ubicaciones de semillas predichas cercanas, lo que aumenta la precisión de la predicción final.
Estas mejoras dieron como resultado un modelo preciso de conteo y localización de semillas que podía detectar y contar semillas a partir de imágenes simples de plantas de soya tomadas en el campo. “El método P2PNet-Soy actualizado para un conteo y localización de semillas de soja más efectivo tiene una precisión mucho mayor en comparación no solo con el P2PNet original, sino también con otros métodos de conteo de vainas de soja“, dice el profesor Guo.
Aunque estas mejoras dan como resultado una mayor precisión en la predicción de semillas, el modelo tiene algunas limitaciones que requieren corrección. Dado que el modelo se entrena con imágenes tomadas de ambos lados de la misma planta, puede sobrestimar la cantidad de semillas en la planta. Además, el modelo no puede detectar semillas que se pierden accidentalmente en la imagen.
Sin embargo, el desarrollo de tecnologías tan avanzadas es un paso prometedor hacia una industria agrícola más eficiente.
Más información: Jiangsan Zhao et al, Recuento y localización mejorados de semillas de soja basados en el campo con consideración del nivel de características, Plant Phenomics (2023). DOI: 10.34133/plantafenómica.0026
