Aprendizaje multimodal de pocos disparos para la predicción de la antesis en plantas de trigo individuales

Área de la Ciencia:

• Ciencia Agrícola
• Ciencia de las Plantas
• Visión por Computadora

Sus antecedentes:

• La predicción precisa de la antesis es vital para el mejoramiento del trigo y el cumplimiento normativo.
• Las herramientas actuales a escala de campo son inadecuadas para las predicciones del tiempo de floración a nivel de planta individual.
• Los métodos de predicción manual son ineficientes, costosos y requieren mucha mano de obra.

Objetivo del estudio:

• Desarrollar un enfoque de visión por computadora eficiente y rentable para predecir la antesis de plantas de trigo individuales.
• Proporcionar a los criadores predicciones de floración precisas y oportunas para la toma de decisiones críticas.

Principales métodos:

• Desarrolló un marco multimodal de visión por computadora que integra imágenes RGB y datos meteorológicos in situ.
• Simplificó la predicción de la antesis en tareas de clasificación binaria o de tres clases.
• Incorporó el aprendizaje de pocos disparos para mejorar la adaptabilidad en diversos entornos de crecimiento y datos limitados.

Principales resultados:

• El modelo de visión por computadora logró una puntuación F1 superior a 0.8 en todas las condiciones de siembra.
• El enfoque demostró eficiencia y rentabilidad en comparación con los métodos tradicionales.
• El modelo abordó con éxito el desafío de predecir las variaciones de floración a nivel de planta individual.

Conclusiones:

• El sistema de visión por computadora desarrollado ofrece un avance significativo en la predicción de la antesis individual del trigo.
• Esta tecnología empodera a los criadores con herramientas precisas para optimizar la polinización y cumplir con los plazos regulatorios.
• El enfoque multimodal y de aprendizaje de pocos disparos mejora la precisión y la adaptabilidad de la predicción en los programas de mejoramiento del trigo.