Un estudio innovador recientemente realizado ha utilizado técnicas avanzadas de imágenes y aprendizaje automático para revolucionar la evaluación de la calidad de los tubérculos de patata y la gravedad de las enfermedades. Este enfoque innovador, que dio como resultado el desarrollo de una aplicación accesible llamada ScabyNet, muestra el potencial de las últimas tecnologías en el sector agrícola.
El objetivo principal del estudio fue evaluar varios rasgos de la morfología de los tubérculos de patata, como longitud, ancho, área y color, con el fin de obtener ideas valiosas sobre la calidad de estos tubérculos para su posible uso en el mercado. Además, los investigadores buscaban detectar y cuantificar la gravedad de la sarna común (CS por sus siglas en inglés) en los tubérculos de patata utilizando redes neuronales convolucionales (CNNs), una forma de aprendizaje automático. Por último, el estudio buscaba integrar estas funcionalidades en una aplicación fácil de usar.
Para lograr sus objetivos, los investigadores analizaron un total de 7200 tubérculos de diferentes genotipos de patata en Noruega, capturados con una cámara Canon PowerShot G9 X Mark II. Estas imágenes fueron posteriormente procesadas utilizando OpenCV y TensorFlow dentro de la interfaz de ScabyNet. La interfaz gráfica de usuario (GUI) de la aplicación consistía en dos módulos principales: uno para evaluar los rasgos de la morfología del tubérculo y otro para evaluar las lesiones causadas por la CS.
El flujo de procesamiento de imágenes utilizado por ScabyNet involucró varios pasos cruciales, incluida la eliminación del fondo, la conversión de color, la identificación de objetos y la segmentación. Para garantizar la precisión, los investigadores utilizaron una herramienta de aprendizaje automático llamada Trainable Weka Segmentation (TWS), seguida de validación manual. El módulo de aprendizaje profundo de ScabyNet utilizó diversas arquitecturas, como VGG16, VGG19 y ResNet50V2, para predecir los niveles de gravedad de la CS.
Además, ScabyNet proporcionó un análisis de color en el espacio de color L*a*b y utilizó la cuantización de colores K-means. Los resultados individuales de las imágenes se mostraron en la pantalla, mientras que los resultados del procesamiento en lotes se almacenaron en una carpeta designada, acompañados de las medidas asociadas. En esencia, esta metodología innovadora establece un marco sólido para evaluar la calidad de los tubérculos de patata y la gravedad de las enfermedades, lo que potencialmente beneficia las prácticas agrícolas y el análisis de mercado.
Al incorporar tecnología de vanguardia, como imágenes avanzadas y aprendizaje automático, el estudio demuestra el gran potencial de innovación en el sector agrícola. A través del desarrollo de ScabyNet, los agricultores e investigadores ahora disponen de una herramienta accesible para evaluar con precisión la calidad y gravedad de los tubérculos de patata, lo que impulsa prácticas agrícolas más informadas y una mejora en el análisis de mercado.
The source of the article is from the blog kunsthuisoaleer.nl