Marco basado en imágenes de profundidad para el reconocimiento fenotípico eficiente en frutos de tomate
Autores: Li, Junqing; Dong, Guoao; Liu, Yuhang; Yuan, Hua; Xu, Zheng; Nie, Wenfeng; Zhang, Yan; Shi, Qinghua
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Tomate
Análisis fenotípico
Fenotipificación basada en imágenes
Algoritmos de aprendizaje profundo
Modelo SegFormer-MLLA
Rasgos fenotípicos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
El tomate es un cultivo hortícola de importancia global con un valor económico y nutricional sustancial. El análisis fenotípico de alta precisión de las características del fruto del tomate, habilitado por tecnologías de visión por computadora y fenotipado basado en imágenes, es esencial para la selección varietal y la evaluación automatizada de la calidad. En este estudio se desarrolló un marco de detección inteligente para el análisis de fenómica de los frutos de tomate, que combina técnicas de procesamiento de imágenes con algoritmos de aprendizaje profundo para automatizar la extracción y el análisis cuantitativo de 12 rasgos fenotípicos, incluyendo la morfología del fruto, la estructura, el color, entre otros. Primero, se desarrolló un conjunto de datos de imágenes de secciones de frutos de tomate utilizando una cámara de profundidad. En segundo lugar, se mejoró el modelo SegFormer incorporando el mecanismo de atención lineal MLLA, y se propuso un modelo ligero SegFormer-MLLA para la segmentación del fenotipo del fruto de tomate. Se logró una segmentación precisa de las cicatrices del tallo del fruto de tomate y de las estructuras loculares, con un costo computacional significativamente reducido por el modelo propuesto. Finalmente, se diseñó un Modelo de Regresión de Profundidad Híbrido para optimizar la estimación de la profundidad óptima. Al fusionar información RGB y de profundidad, el marco permitió la detección eficiente de rasgos fenotípicos clave, incluyendo el diámetro longitudinal del fruto, el diámetro transversal, el grosor del mesocarpio y la profundidad y el ancho de la cicatriz del tallo. Los resultados experimentales demostraron una alta correlación entre los parámetros fenotípicos detectados por el modelo propuesto y los valores medidos manualmente, validando efectivamente la precisión y viabilidad del modelo. Por lo tanto, desarrollamos un equipo que fenotipa automáticamente los frutos de tomate y el sistema de software correspondiente, proporcionando un soporte de datos confiable para la cría de tomates de precisión y el cultivo inteligente, así como una metodología de referencia para el fenotipado de otros cultivos de frutas.
Descripción
El tomate es un cultivo hortícola de importancia global con un valor económico y nutricional sustancial. El análisis fenotípico de alta precisión de las características del fruto del tomate, habilitado por tecnologías de visión por computadora y fenotipado basado en imágenes, es esencial para la selección varietal y la evaluación automatizada de la calidad. En este estudio se desarrolló un marco de detección inteligente para el análisis de fenómica de los frutos de tomate, que combina técnicas de procesamiento de imágenes con algoritmos de aprendizaje profundo para automatizar la extracción y el análisis cuantitativo de 12 rasgos fenotípicos, incluyendo la morfología del fruto, la estructura, el color, entre otros. Primero, se desarrolló un conjunto de datos de imágenes de secciones de frutos de tomate utilizando una cámara de profundidad. En segundo lugar, se mejoró el modelo SegFormer incorporando el mecanismo de atención lineal MLLA, y se propuso un modelo ligero SegFormer-MLLA para la segmentación del fenotipo del fruto de tomate. Se logró una segmentación precisa de las cicatrices del tallo del fruto de tomate y de las estructuras loculares, con un costo computacional significativamente reducido por el modelo propuesto. Finalmente, se diseñó un Modelo de Regresión de Profundidad Híbrido para optimizar la estimación de la profundidad óptima. Al fusionar información RGB y de profundidad, el marco permitió la detección eficiente de rasgos fenotípicos clave, incluyendo el diámetro longitudinal del fruto, el diámetro transversal, el grosor del mesocarpio y la profundidad y el ancho de la cicatriz del tallo. Los resultados experimentales demostraron una alta correlación entre los parámetros fenotípicos detectados por el modelo propuesto y los valores medidos manualmente, validando efectivamente la precisión y viabilidad del modelo. Por lo tanto, desarrollamos un equipo que fenotipa automáticamente los frutos de tomate y el sistema de software correspondiente, proporcionando un soporte de datos confiable para la cría de tomates de precisión y el cultivo inteligente, así como una metodología de referencia para el fenotipado de otros cultivos de frutas.