Detección de patógenos transmitidos por el suelo utilizando modelos de aprendizaje profundo afinados: un estudio de...

Área de la Ciencia:

• Ciencias Agrícolas Ciencias Agrícolas
• Ciencias de la computación Ciencias de la computación
• Nematología Nematología.

Sus antecedentes:

• El nematodo quiste de soja (Heterodera glycines) reduce significativamente el rendimiento global de la soja.
• La detección de nematodos es un desafío debido a los quistes latentes y los métodos convencionales intensivos en mano de obra.
• La detección temprana y a gran escala es crucial para una gestión eficaz de la producción de soja.

Objetivo del estudio:

• Desarrollar y evaluar un marco basado en inteligencia artificial (IA) para clasificar y segmentar los nematodos quistes de soja femeninos.
• Para comparar arquitecturas de aprendizaje profundo para el análisis de imágenes de nematodos.
• Para integrar la detección de IA con el fenotipo basado en el color para la clasificación de la etapa de desarrollo.

Principales métodos:

• Se recolectaron muestras de suelo de campos de soja infectados en Corea del Sur.
• Imagen de nematodos hembra de quiste de soja usando cámaras RGB y un microscopio de disección.
• Los modelos de segmentación de instancias de referencia (YOLOv5, YOLOv8, YOLOv11, Detectron2) y los umbrales de hue-saturación-valor empleados para el fenotipo basado en el color.

Principales resultados:

• El modelo ajustado YOLOv11 demostró un rendimiento superior con alta precisión (0,977), recuerdo (0,980) y mAP@0,5 (0,988).
• La clasificación impulsada por la IA clasificó con éxito 4.392 imágenes de nematodos en etapas de desarrollo (amarillo, naranja, marrón) basadas en el color.
• El marco integrado mostró un potencial significativo para la detección automatizada de nematodos y el fenotipo.

Conclusiones:

• El aprendizaje profundo impulsado por IA ofrece una alternativa eficiente y precisa a los métodos tradicionales de detección de nematodos de quistes de soja.
• Esta tecnología puede reducir la mano de obra, permitir el monitoreo a gran escala y mejorar las estrategias de manejo de nematodos.
• El marco desarrollado apoya la agricultura sostenible de soja mediante la mitigación de las pérdidas de rendimiento inducidas por nematodos.