Herramientas basadas en inteligencia artificial para la identificación automatizada a nivel de género de nematodos...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Nematología

Sus antecedentes:

• La identificación y cuantificación precisas de los nematodos fitoparásitos (PPN) son vitales para un manejo eficaz de los cultivos.
• Los métodos actuales de identificación de PPN (morfología, marcadores moleculares) a menudo consumen mucho tiempo y recursos.
• El desarrollo de sistemas de detección automatizados es crucial para una intervención oportuna contra las infestaciones de nematodos.

Objetivo del estudio:

• Desarrollar y validar herramientas avanzadas de visión por computadora para la detección automatizada de PPN.
• Lograr una identificación precisa, reproducible y rápida de los géneros de PPN económicamente importantes en cultivos de patata.
• Evaluar el rendimiento de un algoritmo de segmentación de objetos basado en IA para la clasificación de nematodos.

Principales métodos:

• Se capturaron imágenes microscópicas de cinco grupos de nematodos (lesión radicular, agalla radicular, raíz corta, otros PPN, no parásitos) (n=8654).
• Las imágenes se preprocesaron, anotaron y dividieron en conjuntos de datos de entrenamiento (75 %), validación (15 %) y prueba (10 %).
• Se entrenó y evaluó un algoritmo de segmentación de objetos (YOLOv11-seg) en imágenes no vistas.

Principales resultados:

• El modelo de IA logró una alta precisión: 92,4 % (validación) y 88,6 % (prueba).
• Se observó un fuerte rendimiento para los géneros clave de PPN (RKN, RLN, SRN) con puntuaciones F1 > 0,92 y AUC > 0,93.
• El grupo 'PPN-OTROS' mostró un rendimiento deficiente (43,9 % de precisión), a menudo mal clasificado.

Conclusiones:

• La visión por computadora basada en inteligencia artificial muestra un potencial significativo para la identificación automatizada de PPN.
• Las herramientas desarrolladas ofrecen una alternativa más rápida y reproducible a los métodos tradicionales de detección de nematodos.
• Se necesita una mayor refinación para mejorar la precisión de la clasificación para diversos grupos de PPN.