Pasar al contenido principal

Enfoques de aprendizaje automático para mejorar tres tareas básicas de fenotipado de plantas usando nubes de puntos 3D

Inglés

El desarrollo de métodos automatizados para procesar de manera eficiente grandes volúmenes de datos de nubes de puntos sigue siendo un desafío para las aplicaciones de fenotipado de plantas 3D. Aquí, describimos el desarrollo de métodos de aprendizaje automático para abordar tres desafíos principales en el fenotipado de plantas: clasificación de lámina / tallo, conteo de láminas y esqueletización del tallo. Para la clasificación, evaluamos y validamos la precisión de nuestros métodos en un conjunto de datos de 54 arquitecturas de brotes en 3D, que representan múltiples condiciones de crecimiento y puntos de tiempo de desarrollo para dos especies solanáceas, tomate (Solanum lycopersicum cv 75 m82D) y Nicotiana benthamiana. Utilizando el aprendizaje profundo, clasificamos láminas versus tallos con una precisión del 97.8%. Críticamente, también demostramos la solidez de nuestro método para las condiciones de crecimiento y especies en las que no se ha entrenado, lo cual es importante en aplicaciones prácticas pero a menudo no se ha probado. Para el conteo de láminas, desarrollamos un algoritmo mejorado de crecimiento regional para reducir la sobresegmentación; Este método logró una precisión del 86,6%, superando a los métodos anteriores desarrollados para este problema. Finalmente, para la esqueletización del tallo, desarrollamos una técnica mejorada de detección de puntas, que ejecutó un orden de magnitud más rápido y generó arquitecturas de esqueleto más precisas que los métodos anteriores. En general, nuestras mejoras permiten un mayor rendimiento y una extracción precisa de las propiedades fenotípicas de los datos de la nube de puntos 3D.


Autor del documento: Illia Ziamtsov, Saket Navlakha
Ir al enlace