Un estudio reciente publicado por Plant Phenomics presenta WheatNet, un método de vanguardia que revoluciona la detección de espigas en cultivos de trigo. Con la creciente demanda de la agricultura de precisión, detectar con precisión las espigas de trigo a través de la fenotipificación se ha vuelto crucial para maximizar el rendimiento de los cultivos.
Si bien los modelos de aprendizaje profundo han mostrado promesas en este campo, todavía tienen dificultades para adaptarse a la naturaleza dinámica del crecimiento del trigo, especialmente cuando se enfrentan a variaciones de color en diferentes etapas. Esta limitación ha resultado en una reducción de la adaptabilidad y precisión. Sin embargo, la comunidad científica ha estado trabajando incansablemente para optimizar las redes neuronales para una mejor extracción y clasificación de características.
El estudio presentado en Plant Phenomics propone WheatNet como una solución novedosa para detectar espigas de trigo pequeñas y orientadas en imágenes de UAV desde las etapas de llenado hasta la madurez. WheatNet incorpora una Red de Transformación para minimizar las discrepancias en las características de color y una Red de Detección para mejorar las capacidades de detección. También introduce una etiqueta de suavizado circular para clasificar los ángulos de las espigas de trigo, así como una capa de detección a microescala para extraer las características de las espigas pequeñas.
Los resultados del estudio son impresionantes. WheatNet logró una precisión promedio del 89.7% en la detección de espigas y describió con precisión la morfología de las mismas. Incluso con una tasa de recuperación del 0.95, WheatNet superó a otros métodos con su alta precisión. La velocidad de detección de la red alcanzó un impresionante 20 fotogramas por segundo (FPS) y demostró una excelente precisión de conteo con valores bajos de RMSEc, rRMSEc y MAEc.
Las características innovadoras de WheatNet abordan los desafíos enfrentados por los modelos de detección anteriores. Su capacidad para reducir los errores de detección causados por variaciones en las características de color entre etapas lo hace altamente adecuado para aplicaciones de campo y predicción precisa de rendimiento. Además, WheatNet va más allá de los modelos de detección de una sola etapa al adaptarse a múltiples etapas de crecimiento, manteniendo una precisión excepcional.
Este avance en la detección de espigas nos acerca un paso más a lograr la agricultura de precisión y maximizar el rendimiento de los cultivos. La integración de WheatNet en las prácticas agrícolas tiene el potencial de revolucionar la industria y mejorar la productividad en general.