Video Experimental Relacionado
Updated: Jun 23, 2026
RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
Flujo de trabajo de imagen RGB abierto para el análisis morfológico y morfométrico de frutas mediante aprendizaje
Jorge Mas-Gómez1, Manuel Rubio1, Federico Dicenta1
1Fruit Breeding Group. Department of Plant Breeding, Centro de Edafología y Biología Aplicada del Segura- Spanish National Research Council (CEBAS-CSIC), Campus Universitario Espinardo, E-30100 Murcia, Spain.
Un nuevo flujo de trabajo de Python impulsado por IA mejora el fenotipado de plantas para programas de cría. Esta herramienta analiza de manera eficiente la morfología, el color y los rasgos morfométricos, acelerando la selección genética y mejorando el desarrollo de cultivos.
Área de la Ciencia:
- Ciencia de las plantas; Tecnología agrícola; Bioinformática
Sus antecedentes:
- El fenotipado de alto rendimiento es crucial para superar los cuellos de botella en la mejora de plantas.; Las herramientas de imagen y la Inteligencia Artificial (IA) están revolucionando la eficiencia del fenotipado y la generación de datos para la selección genómica.; Los métodos actuales requieren soluciones de imagen accesibles y mejoradas por IA para una adopción más amplia en los programas de mejora genética.
Objetivo del estudio:
- Desarrollar un flujo de trabajo abierto de Python que utilice IA para analizar la morfología, el color y los rasgos morfométricos de los órganos de las plantas.; Aplicar y validar este flujo de trabajo en la mejora genética de la almendra (Prunus dulcis), una especie con un ciclo de mejora largo.; Evaluar el rendimiento, la precisión y la escalabilidad del flujo de trabajo para aplicaciones de fenotipado en el mundo real.
Principales métodos:
- Desarrollo de un flujo de trabajo abierto de Python que integra IA para el análisis de imágenes.; Aplicación del flujo de trabajo a granos de almendra, nueces e individuos fenotipados (más de 25 000 granos, 20 000 nueces, 600 individuos).; Evaluación de la precisión de la segmentación y reconstrucción, y estimación de rasgos como el grosor del grano utilizando variables de peso y área.
Principales resultados:
- El flujo de trabajo logró una alta precisión con tasas de error inferiores al 1% para segmentación y reconstrucción.; Estimación precisa del grosor del grano con un Error Cuadrático Medio (RMSE) de 0,47.; Identificación de 55 rasgos morfológicos, morfométricos y de color hereditarios en almendras, adecuados para programas de mejora genética.
Conclusiones:
- El flujo de trabajo impulsado por IA demuestra un rendimiento sólido en diversos conjuntos de datos, incluso con datos de entrenamiento limitados.; La compatibilidad con herramientas de etiquetado basadas en IA reduce el esfuerzo manual y acelera la preparación de conjuntos de datos.; El flujo de trabajo mejora la escalabilidad y la aplicabilidad práctica para los programas de mejora genética, agilizando el ajuste fino de los modelos de segmentación.
