Nuestra vida diaria depende de cultivos de cereales como el trigo y la cebada, y nuestros logros agrícolas dependen de nuestra capacidad para comprender sus rasgos fenotípicos. Estos cultivos tienen aristas, que son extensiones en forma de cerdas. Las aristas tienen múltiples funciones: protección, dispersión de semillas y fotosíntesis. Las aristas tienen púas, que son pequeñas estructuras parecidas a ganchos en su superficie. A pesar de que su importancia es evidente, analizar estas pequeñas estructuras ha sido un desafío debido a la falta de herramientas automatizadas.
En consecuencia, los investigadores de Plant Phenomics han presentado BarbNet, un modelo de aprendizaje profundo diseñado específicamente para la detección y el fenotipado automatizados de púas en imágenes microscópicas de aristas. Los investigadores entrenaron y validaron el modelo utilizando 348 imágenes diversas que representan varios fenotipos de aristas con diferentes tamaños y densidades de púas. Para la formulación de BarbNet, los investigadores refinaron la arquitectura U-net, incluidas modificaciones como la normalización por lotes, la exclusión de capas de abandono, un mayor tamaño del kernel y ajustes en la profundidad del modelo. Estas metodologías les permiten evaluar numerosas características, incluido el tamaño, la forma, la orientación de las púas y características adicionales como estructuras glandulares o distribución de pigmentos.
Anteriormente, los científicos han utilizado métodos como la microscopía electrónica de barrido para visualizar las aristas. Aunque estas técnicas funcionaron bien, podrían haber sido más eficientes para el análisis de alto rendimiento. Además, revisar fotografías manualmente lleva mucho tiempo. Entonces, los investigadores intentaron formular un método más sofisticado para comprender los complicados patrones de herencia involucrados en la base genética del desarrollo de las púas.
Los investigadores evaluaron el modelo en varios puntos de referencia y descubrieron que, si bien BarbNet demostró una tasa de precisión del 90% en la detección de varios fenotipos de aristas, todavía tiene desafíos para detectar púas pequeñas y distinguir las densamente empaquetadas. Para superar estos obstáculos y aumentar la precisión y adaptabilidad del análisis de awn, el equipo de investigación sugiere ampliar el conjunto de entrenamiento e investigar diferentes modelos de redes neuronales convolucionales (CNN). Los investigadores utilizaron la pérdida binaria de entropía cruzada y el coeficiente de dados (DC) para entrenar y validar el modelo. Descubrieron que logró una validación de 0,91 después de 75 épocas.
Además, realizaron un estudio comparativo entre los resultados de la segmentación automatizada y los datos reales manuales, y los resultados muestran que BarbNet tiene un alto grado de concordancia del 86% entre las predicciones de BarbNet y las anotaciones manuales. Los investigadores también investigaron la clasificación de los fenotipos de las aristas según el genotipo, concentrándose en cuatro fenotipos principales de las aristas asociados con dos genes que regulan el tamaño y la densidad de las púas.
En conclusión, BarbNet puede ser un paso importante en la investigación de cultivos, ya que ofrece poderosas herramientas para el análisis automatizado de aristas. Al combinar técnicas avanzadas de aprendizaje profundo con investigaciones genéticas y fenotípicas, los científicos pueden abordar las complejidades de la formación de púas en los cultivos de cereales. BarbNet permite caracterizaciones rápidas y precisas de las propiedades de las aristas y las púas, lo que promueve descubrimientos más rápidos y programas de reproducción mejorados para mayores rendimientos.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 33k+ ML, 41k+ comunidad de Facebook, Canal de discordia, grupo de LinkedIn, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Rachit Ranjan es pasante de consultoría en MarktechPost. Actualmente está cursando su B.Tech en el Instituto Indio de Tecnología (IIT) de Patna. Está dando forma activamente a su carrera en el campo de la inteligencia artificial y la ciencia de datos y le apasiona y se dedica a explorar estos campos.