Segmentación semántica basada en el aprendizaje profundo para la estimación del rendimiento del arroz mediante el...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Fenotipo de las plantas

Sus antecedentes:

• El aumento de la población mundial y el cambio climático exigen una mayor productividad agrícola.
• Los modelos de predicción de rendimiento de arroz existentes a menudo carecen de análisis temporal dinámico, lo que limita la precisión.
• Los cambios dinámicos en la cobertura del arroz afectan significativamente el rendimiento, lo que requiere técnicas de monitoreo avanzadas.

Objetivo del estudio:

• Desarrollar un nuevo marco temporal para el fenotipo del arroz y la predicción del rendimiento.
• Integrar imágenes RGB de alta resolución con aprendizaje profundo para el análisis dinámico de pánico.
• Estimar con precisión el rendimiento del arroz y sus componentes utilizando datos de imágenes de series temporales.

Principales métodos:

• Se obtuvieron imágenes RGB de alta resolución de las copas de arroz durante dos temporadas de crecimiento.
• Se han evaluado cinco modelos de segmentación semántica (DeepLabv3+, U-Net, PSPNet, FPN, LinkNet) para la delimitación de los panecillos de arroz.
• Se ajustaron los datos de cobertura de paneles de series temporales a una función por piezas para extraer los parámetros clave de crecimiento (K, g, d0, a, d1) y se utilizaron en modelos de aprendizaje automático (PLSR, RFR, GBR, XGBR) para la predicción del rendimiento.

Principales resultados:

• DeepLabv3+ y LinkNet lograron un alto rendimiento en la segmentación de pánico (mIoU > 0,81).
• La cobertura máxima del pánico (K) está fuertemente correlacionada con el rendimiento (r=0,87) y el número de granos (r=0,85).
• Los modelos Random Forest Regressor (RFR) y XGBoost Regressor (XGBR) mostraron la mayor precisión en la predicción del rendimiento (R2=0,89).

Conclusiones:

• El marco desarrollado cuantifica efectivamente la dinámica de desarrollo del arroz utilizando imágenes RGB.
• Este enfoque permite una predicción precisa del rendimiento, apoyando la agricultura de precisión y el mejoramiento de cultivos.
• La integración de imágenes temporales con aprendizaje profundo ofrece una herramienta poderosa para el monitoreo agrícola.