https://videopress.com/v/cBeNFnbM?resizeToParent=true&cover=true&posterUrl=https%3A%2F%2Fwww.botany.one%2Fwp-content%2Fuploads%2F2022%2F02%2Fwiwam-vid_mp4_hd.original.jpg&preloadContent=metadataEste robot WIWAM consta de una red de transportadores que lleva las plantas a las estaciones de pesaje y riego y cabinas de imágenes, que albergan una gama de sistemas de cámaras no destructivas.
Las plantas se mueven continuamente en una cinta transportadora más allá de los sensores que recopilan una gran cantidad de datos, incluidas imágenes que se pueden usar para extraer los rasgos de las plantas a medida que crecen. El fenotipado de alto rendimiento como este ayuda a los fitomejoradores a determinar qué características y características genómicas son más críticas para la mejora de las plantas.
Aunque los sistemas para obtener estas imágenes y datos son complicados, interpretar la gran cantidad de imágenes es un desafío mayor.
Los algoritmos de visión por computadora que emplean redes neuronales artificiales y aprendizaje profundo para reconocer y cuantificar aspectos relevantes de las plantas de cultivo son prometedores para enfrentar este desafío. Sin embargo, estas redes neuronales deben entrenarse utilizando grandes conjuntos de imágenes anotadas, donde se etiquetan las características arquitectónicas de interés, lo que requiere mucho tiempo y es costoso de obtener.
El uso de imágenes sintéticas anotadas de plantas proporciona una alternativa factible.
En un nuevo artículo publicado en in silico Plantas, Mikolaj Cieslak, investigador asociado sénior de la Universidad de Calgary, y colegas presentan un nuevo proceso de modelado que proporciona un número prácticamente ilimitado de imágenes anotadas que reflejan la variación individual de las plantas para entrenar redes neuronales. El artículo presenta el desarrollo vegetativo del maíz (Zea mays L.) y tanto el desarrollo vegetativo como el de floración de la canola (Brassica napus L.) como ejemplos.
El proceso de modelado para cada especie se dividió en dos etapas: (1) la construcción de un sistema L, capturando cualitativamente los elementos esenciales de las especies de plantas de interés, y (2) la calibración del modelo a un conjunto de fotografías de plantas de referencia.
Para ambas especies, utilizamos sistemas L paramétricos para crear un modelo de desarrollo simple y descriptivo. El modelo del sistema L se organiza en torno al concepto de información posicional, lo que significa que los aspectos cuantitativos clave de la forma de la planta objetivo, como la distribución de ramas, hojas y órganos reproductivos, se expresan como funciones intuitivas y fáciles de manipular de la posición en sus ejes de soporte. Los procesos de desarrollo se simulan multiplicando las funciones de información posicional por las funciones de tiempo, explican los autores.
La calibración se basó en alinear el modelo con una planta de referencia usando una interfaz gráfica. Las plantas de referencia pueden representar una etapa de desarrollo específica o una secuencia de etapas. Los modelos se pueden calibrar para capturar la diversidad genética, la influencia del medio ambiente (por ejemplo, la limitación de agua) y/o la variación individual de las plantas.
Una vez calibrado, el modelo puede generar un número prácticamente ilimitado de imágenes anotadas de plantas sintéticas al aleatorizar los parámetros usando variables aleatorias normalmente distribuidas (ver figura 1). Las plantas calibradas se pueden usar para visualizar plantas en diferentes etapas de desarrollo individualmente (ver la parte superior de la figura 2) o ensamblarse en modelos de parcelas completas (ver la parte inferior de la figura 2).
Cieslak agrega: “Los datos anotados sintéticos ayudarán a entrenar redes neuronales para identificar rasgos semánticos de plantas en tareas de fenotipado basadas en imágenes. Nuestro siguiente paso es extraer rasgos fenotípicos de los conjuntos de datos de maíz y canola. Sin embargo, la utilidad de los modelos calibrados va más allá de las anotaciones para el entrenamiento de redes neuronales. Los modelos proporcionan una estimación cuantitativa de los parámetros arquitectónicos de estas plantas a lo largo del tiempo sin mediciones directas (un proceso que consume mucho tiempo). También pueden proporcionar una base para la construcción de modelos más completos, incorporando aspectos funcionales del desarrollo de una planta”.
LEE EL ARTÍCULO:
Mikolaj Cieslak, Nazifa Khan, Pascal Ferraro, Raju Soolanayakanahally, Stephen J Robinson, Isobel Parkin, Ian McQuillan, Przemyslaw Prusinkiewicz, Modelos del sistema L para fenómica basada en imágenes: estudios de casos de maíz y canola, in silico Plants, 2021;, diab039, https://doi.org/10.1093/insilicoplants/diab039
DISPONIBILIDAD DEL MODELO
Los modelos se implementaron utilizando el software de modelado de plantas Virtual Laboratory 4.5.1 (algorithmicbotany.org/virtual_laboratory) macOS High Sierra v.10.13.6, y están disponibles en el sitio web de Algorithmic Botany (algoritmicbotany.org/papers/l-phenomics2021.html).
