Videos de Conceptos Relacionados
Multiple Allele Traits
Light Acquisition
Pleiotropy
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Anatomically Integrated In-Place Visualization of Patient Data for Cooperative Tasks with a Case Study on a Neurosurgical Ward.
Perception and Quantization Model for Periodic Contour Modifications.
The carrot monoterpene synthase gene cluster on chromosome 4 harbours genes encoding flavour-associated sabinene synthases.
A Generative Model for Generic Light Field Reconstruction.
Dataset of Optimized Structures of Aliphatic Chains Chemisorbed on Si(110) and Si(111) Surfaces via First-Principles Methods.
EURO-PROBE - Manual segmentations of the prostate and intraprostatic urethra on T2-weighted MRI.
Chromosome-Level Genome Assembly of Southern Africa Mozambique Tilapia (Oreochromis mossambicus) using PacBio HiFi and Omni-C sequencing.
Ovarian Stainology: Database of evidence-based immunohistochemical antigen expression in ovarian tumors.
A dataset of small protein conformational ensembles from all-atom molecular dynamics simulations.
Video Experimental Relacionado
Updated: Mar 2, 2026

Tomato Analyzer: A Useful Software Application to Collect Accurate and Detailed Morphological and Colorimetric Data from Two-dimensional Objects
Published on: March 16, 2010
Dataset Tomato Multi-Angle Multi-Pose para Fenotipado de Grano Fino
Yujie Zhang1,2, Sabine Struckmeyer1, Andreas Kolb2
1Institute for Breeding Research on Horticultural Crops, Julius Kuehn-Institute, Erwin-Baur-Street 27, Quedlinburg, 06484, Saxony-Anhalt, Germany.
TomatoMAP, un nuevo dataset para Solanum lycopersicum, mejora la precisión del fenotipado de plantas. Los modelos de IA entrenados con estos datos logran una precisión a nivel de experto, mejorando la reproducibilidad en el análisis de plantas.
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.

