Video Experimental Relacionado
Updated: Jan 8, 2026
06:21
Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
9.3K
Una tubería de análisis de imágenes de micro-CT basada en aprendizaje profundo para la cuantificación no destructiva
Juan Wang1,2,3, Si Yang2,3, Chuanyu Wang2,3
1College of Information, Shanghai Ocean University, Shanghai, 201306, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
Resumen
Una nueva tubería de aprendizaje profundo segmenta con precisión el endospermo del grano de maíz utilizando imágenes de tomografía computarizada (CT). Este método mejora el análisis de textura para la mejora y el procesamiento del maíz.
Área de la Ciencia:
- Ciencias Agrícolas
- Biotecnología
- Análisis de Imágenes
Sus antecedentes:
- La segmentación precisa del endospermo vítreo y harinoso del grano de maíz es crucial para el análisis de textura, pero es un desafío debido al bajo contraste y los bordes borrosos en las imágenes de CT.
- Los métodos existentes tienen dificultades con la precisión de la segmentación y los resultados irregulares, lo que dificulta el análisis detallado de la estructura interna.
Objetivo del estudio:
- Desarrollar una tubería basada en aprendizaje profundo para la segmentación de alta calidad de las estructuras internas del grano de maíz a partir de imágenes de CT.
- Mejorar la precisión y eficiencia del análisis de la textura del grano de maíz para aplicaciones de mejora y procesamiento.
Principales métodos:
- Se desarrolló una tubería de análisis de imágenes de CT, comenzando con escaneo por lotes y segmentación del algoritmo Canny de granos individuales.
- Se propuso una arquitectura U-Net modificada (CSFTU-Net), que incorpora mecanismos de atención (CBAM, SE) y una pérdida focal-Tversky con un término de suavizado de bordes.
- Se extrajeron parámetros fenotípicos, incluidos los volúmenes del grano, el endospermo vítreo y el endospermo harinoso, utilizando un método basado en máscaras segmentadas.
Principales resultados:
- El modelo CSFTU-Net demostró una mejora significativa en la segmentación del endospermo vítreo y harinoso en los granos de maíz.
- La tubería permitió la cuantificación no destructiva de parámetros clave de textura interna (V, VV, SV, VV/V, SV/V).
Conclusiones:
- La tubería propuesta de aprendizaje profundo ofrece un método robusto y preciso para analizar la estructura interna de los granos de maíz.
- Este enfoque proporciona información valiosa para la cuantificación no destructiva de la textura, apoyando los avances en la mejora del maíz y el procesamiento de alimentos.
