Comparación de Mask-R-CNN y segmentación basada en umbrales para la fenotipificación de alto rendimiento del color de la cáscara de nuez
Autores: Lee, Steven H.; McDowell, Sean; Leslie, Charles; McCreery, Kristina; Earles, Mason; Brown, Patrick J.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Programas de mejoramiento de plantas
Aprendizaje automático
Redes neuronales convolucionales
Segmentación de imágenes
Análisis cuantitativo de imágenes
Programa de mejoramiento de nueces
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La fenotipificación de alto rendimiento se ha vuelto esencial para los programas de mejoramiento de plantas, reemplazando los métodos tradicionales que dependen de escalas subjetivas influenciadas por el juicio humano. Los sistemas de visión por computadora basados en aprendizaje automático (ML) han utilizado con éxito redes neuronales convolucionales (CNN) para la segmentación de imágenes, proporcionando mayor flexibilidad que los métodos de umbral que pueden requerir imágenes cuidadosamente preparadas. Este estudio compara dos métodos de análisis de imágenes cuantitativos, el umbral basado en reglas utilizando el paquete magick en R y un pipeline de segmentación de instancias basado en la arquitectura Mask-R-CNN, y luego compara la salida de cada uno con dos conjuntos diferentes de evaluaciones humanas. Se recolectaron nueces durante tres años de más de 3000 árboles individuales mantenidos por el programa de mejoramiento de nueces de UC Davis. Los 90,961 núcleos resultantes se colocaron en bandejas de 100 celdas y se capturaron imágenes utilizando una cámara Basler de 20 megapíxeles con un sensor Sony IMX183. Los datos cuantitativos de ambos métodos de análisis de imágenes estaban altamente correlacionados tanto para la claridad (L*; r = 0.997) como para el tamaño (r = 0.984). El método de umbral requirió muchos ajustes manuales para tener en cuenta pequeñas discrepancias en la preparación, mientras que el método CNN fue robusto después de un rápido entrenamiento inicial con solo 13 imágenes. Los dos métodos de puntuación humana no estaban altamente correlacionados con los métodos de análisis de imágenes ni entre sí. La clasificación de píxeles proporciona datos similares a las evaluaciones de color humanas, pero ofrece mayor consistencia a lo largo de diferentes años. El enfoque de umbral ofrece flexibilidad y se ha aplicado a otras tareas de fenotipificación basadas en el color, mientras que el enfoque CNN puede adaptarse a imágenes que no están perfectamente preparadas y ser reentrenado para cuantificar características más sutiles de los núcleos, como manchas y arrugas.
Descripción
La fenotipificación de alto rendimiento se ha vuelto esencial para los programas de mejoramiento de plantas, reemplazando los métodos tradicionales que dependen de escalas subjetivas influenciadas por el juicio humano. Los sistemas de visión por computadora basados en aprendizaje automático (ML) han utilizado con éxito redes neuronales convolucionales (CNN) para la segmentación de imágenes, proporcionando mayor flexibilidad que los métodos de umbral que pueden requerir imágenes cuidadosamente preparadas. Este estudio compara dos métodos de análisis de imágenes cuantitativos, el umbral basado en reglas utilizando el paquete magick en R y un pipeline de segmentación de instancias basado en la arquitectura Mask-R-CNN, y luego compara la salida de cada uno con dos conjuntos diferentes de evaluaciones humanas. Se recolectaron nueces durante tres años de más de 3000 árboles individuales mantenidos por el programa de mejoramiento de nueces de UC Davis. Los 90,961 núcleos resultantes se colocaron en bandejas de 100 celdas y se capturaron imágenes utilizando una cámara Basler de 20 megapíxeles con un sensor Sony IMX183. Los datos cuantitativos de ambos métodos de análisis de imágenes estaban altamente correlacionados tanto para la claridad (L*; r = 0.997) como para el tamaño (r = 0.984). El método de umbral requirió muchos ajustes manuales para tener en cuenta pequeñas discrepancias en la preparación, mientras que el método CNN fue robusto después de un rápido entrenamiento inicial con solo 13 imágenes. Los dos métodos de puntuación humana no estaban altamente correlacionados con los métodos de análisis de imágenes ni entre sí. La clasificación de píxeles proporciona datos similares a las evaluaciones de color humanas, pero ofrece mayor consistencia a lo largo de diferentes años. El enfoque de umbral ofrece flexibilidad y se ha aplicado a otras tareas de fenotipificación basadas en el color, mientras que el enfoque CNN puede adaptarse a imágenes que no están perfectamente preparadas y ser reentrenado para cuantificar características más sutiles de los núcleos, como manchas y arrugas.