El conjunto de datos global de segmentación semántica completa de órganos de trigo (GWFSS)

Área de la Ciencia:

• Ciencia Agrícola
• Visión por Computadora
• Fenotipificación de Plantas

Sus antecedentes:

• La visión por computadora y la IA son vitales para cuantificar los rasgos de las plantas en la agricultura.
• Los modelos de IA actuales tienen dificultades para segmentar doseles de trigo complejos.
• La segmentación precisa es crucial para monitorear la salud y el desarrollo de los cultivos.

Objetivo del estudio:

• Desarrollar modelos de IA mejorados para la segmentación semántica de órganos de trigo (hojas, tallos, espigas).
• Crear un conjunto de datos completo (Global Wheat Full Semantic Segmentation - GWFSS) para entrenar y evaluar estos modelos.
• Mejorar la capacidad de distinguir el trigo de las malezas e identificar tejidos senescentes o enfermos.

Principales métodos:

• Se ensambló un conjunto de datos global diverso (GWFSS) con 1096 imágenes anotadas a nivel de píxel y 52,078 imágenes no anotadas.
• Se entrenaron modelos de segmentación, incluidos DeepLabV3Plus y Segformer, utilizando el conjunto de datos anotado.
• Se evaluó el rendimiento del modelo en función de la media de la Intersección sobre la Unión (mIOU) para diferentes órganos de las plantas.

Principales resultados:

• El modelo Segformer logró un alto mIOU (aproximadamente 90%) para hojas y espigas de trigo.
• La precisión de la segmentación del tallo fue menor (54%).
• Los modelos excluyeron con éxito las malezas e identificaron tejidos necróticos/senescentes y residuos de cultivos.

Conclusiones:

• El conjunto de datos GWFSS y los modelos de IA entrenados avanzan significativamente la segmentación semántica en los doseles de trigo.
• La segmentación mejorada facilita la cuantificación precisa de la senescencia y la enfermedad, abordando necesidades agrícolas críticas.
• Los modelos desarrollados ofrecen un rendimiento superior en la exclusión de malezas y la diferenciación de tejidos en comparación con los métodos existentes.