Dataset Tomato Multi-Angle Multi-Pose para Fenotipado de Grano Fino

Área de la Ciencia:

• Ciencia de las plantas
• Visión por computadora
• Tecnología agrícola

Sus antecedentes:

• Los métodos tradicionales de fenotipado de plantas sufren de sesgo del observador e inconsistencias, lo que limita la precisión y la reproducibilidad.
• El análisis de plantas de grano fino requiere una adquisición y procesamiento de datos precisos y fiables.

Objetivo del estudio:

• Introducir TomatoMAP, un dataset completo para Solanum lycopersicum (tomate) para superar las limitaciones en el fenotipado de plantas.
• Desarrollar y evaluar modelos de IA para un análisis de plantas de grano fino automatizado, preciso y eficiente.

Principales métodos:

• Se recopilaron 68.080 imágenes RGB de plantas de tomate, incluyendo macrophotografías de alta resolución e imágenes de resolución moderada desde varios ángulos y elevaciones.
• Se anotaron las imágenes con cuadros delimitadores para siete regiones de interés y 50 etapas de crecimiento fenológico BBCH.
• Se priorizaron y evaluaron modelos de IA aplicables en tiempo real (MobileNetv3, YOLOv11, Mask R-CNN) utilizando precisión, mAP y FPS de inferencia.

Principales resultados:

• Los modelos de IA entrenados con TomatoMAP demostraron una precisión comparable a la de los expertos humanos.
• La evaluación comparativa mostró compensaciones entre la precisión y la eficiencia para diferentes modelos de IA.
• La fiabilidad del fenotipado automatizado se validó utilizando estadísticas Kappa de Cohen y mapas de calor de acuerdo interevaluador.

Conclusiones:

• El dataset TomatoMAP avanza significativamente el fenotipado automatizado de plantas de grano fino para Solanum lycopersicum.
• Los modelos de IA entrenados con TomatoMAP ofrecen una alternativa fiable y reproducible a los métodos tradicionales.
• El dataset y los modelos apoyan aplicaciones en tiempo real en agricultura de precisión e investigación de plantas.