Video Experimental Relacionado
Updated: Feb 24, 2026
06:41
Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
1.7K
Identificación y cuantificación en tiempo real de la corteza de manzana en la fruta en condiciones previas y
Fernanda Leiva1, Séverine Gabioud Rebeaud2, Danilo Christen2
1Research Division Plant-Production Systems, Agroscope, Route des Eterpys 18, 1964, Conthey, Switzerland. Fernanda.leiva@agroscope.admin.ch.
Plant methods
|February 22, 2026
Resumen
Este estudio introduce un marco de aprendizaje profundo para la detección automatizada de la corteza de manzana (AS), mejorando el fenotipo de la enfermedad. El modelo de IA identifica con precisión las lesiones de AS, lo que ayuda a una reproducción y clasificación más rápidas.
Área de la Ciencia:
- Patología Vegetal Patología vegetal.
- Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
- Tecnología Agrícola Tecnología agrícola.
Sus antecedentes:
- La corteza de manzana (AS), causada por Venturia inaequalis, reduce significativamente el rendimiento y la calidad de las manzanas.
- La puntuación visual tradicional para AS es subjetiva, requiere mucha mano de obra y carece de reproducibilidad.
- El fenotipo preciso de AS es crucial para la cría de variedades resistentes a las enfermedades y el manejo efectivo de los cultivos.
Objetivo del estudio:
- Desarrollar y validar un marco de aprendizaje profundo para el fenotipo automatizado de la corteza de manzana.
- Para permitir la detección precisa y escalable y la segmentación de los síntomas de EA en las frutas de manzana.
- Para superar las limitaciones de la evaluación manual de enfermedades en el cultivo de manzanas.
Principales métodos:
- Utilizó el modelo de base YOLO (YOLO11) para la detección de objetos y la segmentación de los síntomas del SA.
- Empleó un proceso de ajuste fino en dos etapas en imágenes en color de alta resolución (864x864 píxeles).
- Entrenó un modelo para la detección de frutas sanas (Modelo 1) y lo refinó para la segmentación de lesiones de AS (Modelo 2).
Principales resultados:
- El modelo 1 (detección de frutas) logró un alto rendimiento con una precisión de 0.98, 0.95 de recuperación y 0.94 mAP50.
- El Modelo 2 (Segmentación de Lesiones) demostró fuertes resultados con una precisión de 0.64, 0.75 recuerdo y 0.75 mAP50.
- Los datos de alta resolución mejoraron la precisión de la segmentación de lesiones a escala fina en más del 50% en comparación con las arquitecturas anteriores.
Conclusiones:
- El marco de aprendizaje profundo ofrece una tubería confiable para el fenotipo automatizado de AS en entornos controlados y de campo.
- Este enfoque mejora la clasificación de las manzanas y acelera los programas de mejoramiento para la resistencia a AS.
- El estudio proporciona una base para el monitoreo en tiempo real de enfermedades de las plantas e integra la detección de otras enfermedades.
Palabras clave:
Apple Apple Apple Apple es el nombre que se le da a un producto.Corteza de manzana (AS)Aprendizaje profundo Aprendizaje profundo.Cuantificación de las enfermedades.Clasificación de las frutas.Frutas Frutas Frutas Frutas Frutas.Análisis de imágenes Análisis de imágenes.El aprendizaje automático es el aprendizaje automático.Segmentación de objetos Segmentación de objetosLa venturia inaequalis también se presenta.Los modelos YOLO son los modelos YOLO.
