Los modelos de plantas necesitan datos de alta calidad para la calibración y validación. Se espera que las técnicas de aprendizaje automático desempeñen un papel destacado en el suministro de datos de fenotipado basados en imágenes de alta calidad en el futuro. Sin embargo, el aprendizaje automático generalmente requiere conjuntos de datos grandes y diversos para aprender modelos generalizables y los conjuntos de datos disponibles suelen ser pequeños y los costos asociados con la generación de nuevos datos son altos. Ubbens y coautores abordar este problema utilizando datos de plantas sintéticas.
Los autores demuestran que los modelos de aprendizaje automático se pueden aumentar utilizando datos de entrenamiento derivados de imágenes renderizadas de plantas sintéticas. La combinación de imágenes de plantas reales con sintéticas como datos de entrenamiento redujo el error de recuento absoluto medio en comparación con el uso exclusivo de imágenes de plantas reales. Además, se aplicaron con éxito modelos completamente entrenados solo en rosetas sintéticas para contar hojas en rosetas reales.
Las imágenes renderizadas de las rosetas de Arabidopsis se generaron por computadora a partir de un modelo descriptivo utilizando sistemas L que reprodujeron las primeras etapas de desarrollo del brote de la planta en base a observaciones y mediciones directas.
El modelo de aprendizaje automático utilizado en este estudio fue una plataforma para el fenotipado de plantas basado en imágenes llamada Deep Plant Phenomics, que implementa redes neuronales convolucionales profundas para el fenotipado de plantas, para contar hojas. (Ubbens y Stavness, 2017).
Con los avances logrados en este estudio, la próxima aplicación podría ser el modelado de parcelas enteras de cultivos. "Una parcela simulada de plantas podría hacer posible entrenar algoritmos para detectar características biológicamente significativas, como el tiempo de floración o la respuesta al estrés, con un número reducido de imágenes de cultivos reales (anotadas)".
