Conozca Eff-3DPSeg: un marco de aprendizaje profundo para la segmentación de brotes de plantas en 3D a nivel de órganos

El aprendizaje profundo se está utilizando actualmente en varios campos. También se utiliza en plantas para diversos fines. La segmentación de brotes de plantas en 3D ha progresado significativamente mediante la integración de técnicas de aprendizaje profundo con nubes de puntos. Tradicionalmente, se utilizaban métodos 2D, pero enfrentaban desafíos en la percepción profunda y la determinación estructural. Las imágenes 3D han abordado las limitaciones, proporcionando un mejor análisis de rasgos en la extracción de rasgos fenotípicos de plantas. Sin embargo, las imágenes 3D también presentan el desafío de que cada punto de la imagen debe etiquetarse cuidadosamente, lo cual es una operación costosa y que requiere mucho tiempo. Por eso, los investigadores han estado investigando el uso de modelos de aprendizaje supervisado, que utilizan menos puntos etiquetados.

En consecuencia, en un estudio reciente llamado Eff-3DPSeg: segmentación de brotes de plantas a nivel de órganos en 3D mediante aprendizaje profundo con anotaciones eficientes, Los investigadores han introducido Eff-3DPSeg, un marco de aprendizaje profundo débilmente supervisado para la segmentación de órganos vegetales. Este marco utiliza una plataforma Stereo Pheno de vista múltiple (MVSP2) y adquiere nubes de puntos de plantas individuales. Luego, estas nubes de puntos se anotan utilizando un Plant Annotator (MPA) basado en Meshlab.

Para este marco, los investigadores propusieron dos pasos. Primero, reconstruyeron nubes de puntos de alta resolución de plantas de soja utilizando un sistema de fotogrametría de bajo costo, y desarrollaron un Plant Annotator basado en Meshlab para la anotación de nubes de puntos de plantas. Después de esto, utilizaron un método de aprendizaje profundo débilmente supervisado para la segmentación de órganos vegetales. Para hacer esto, primero, entrenaron previamente el modelo con solo aproximadamente el 0,5 por ciento de puntos etiquetados, luego lo ajustaron utilizando la pérdida de cuello de botella de Viewpoint para aprender una representación significativa de la estructura intrínseca a partir de nubes de puntos sin procesar. Luego extrajeron tres rasgos fenotípicos: el largo, el ancho y el diámetro del tallo de las hojas.

A continuación, los investigadores probaron el rendimiento del marco en varias etapas de crecimiento en un gran conjunto de datos espaciotemporales de soja. Compararon esto con técnicas completamente etiquetadas en plantas de tomate y soja. Los resultados de la segmentación tallo-hoja fueron precisos pero tuvieron pequeños errores de clasificación en las uniones y los bordes de las hojas. Además, el enfoque funcionó mejor en estructuras de plantas menos complejas y logró mayor precisión con conjuntos de entrenamiento más grandes. Además, los resultados cuantitativos mostraron mejoras notables con respecto a las técnicas de referencia, particularmente en entornos menos supervisados.

Sin embargo, el estudio también enfrentó ciertas limitaciones. Tenía limitaciones por la falta de datos y la necesidad de capacitación separada para diferentes tareas de segmentación. Los investigadores enfatizaron centrarse en perfeccionar el marco en el futuro. También quieren ampliar la gama de clasificaciones de plantas que realiza este marco y las fases de crecimiento y mejorar la diversidad del método.

En conclusión, el marco Eff-3DPSeg puede resultar un importante paso adelante en la segmentación de brotes de plantas en 3D. Su eficiente proceso de anotación y sus capacidades de segmentación precisa tienen un gran potencial para mejorar el alto rendimiento. Además, Eff-3DPSeg supera los desafíos de los procesos de etiquetado costosos y que requieren mucho tiempo a través de su aprendizaje profundo débilmente supervisado y sus innovadoras técnicas de anotación.