Avanzando la Evaluación de Semillas con Tecnología

Los guisantes secos, también conocidos como Pisum sativum, pertenecen a la familia de las legumbres y son el segundo grano legumbre más importante a nivel mundial, justo después de los frijoles comunes. Estos guisantes se cultivan en varias regiones templadas alrededor del mundo. Además de ser una fuente de alimento para las personas, también sirven como forraje para ganado y mascotas. Una de sus habilidades especiales es que pueden absorber nitrógeno del aire, gracias a una asociación con ciertas bacterias del suelo. Esta capacidad ayuda a reducir la necesidad de fertilizantes químicos, haciéndolos una opción más sostenible.

Los guisantes secos están llenos de nutrientes, ofreciendo proteínas, minerales, almidones complejos y fibras. Su nutrición complementa la de los granos, lo que es beneficioso para las dietas en general. Es importante destacar que los guisantes secos no han sido modificados genéticamente, lo cual resulta cada vez más atractivo para los consumidores que prefieren opciones naturales. Este factor ha llevado a que los guisantes secos se conviertan en una opción popular en el mercado de proteínas a base de plantas, con marcas como Beyond Meat y Ripple promoviendo productos hechos con proteína de guisante.

A medida que crece la popularidad de los productos a base de guisantes secos, se vuelve esencial mejorar la calidad y la cantidad de semillas producidas para satisfacer la creciente demanda. La calidad de las semillas es crucial, ya que afecta directamente la comercialización y el valor de este cultivo. Factores como el tamaño, la forma y el color de las semillas son importantes a la hora de vender. Las semillas de buena calidad no solo lucen bien, sino que también muestran un mejor vigor de crecimiento, lo que puede llevar a mayores rendimientos.

#Métodos Actuales de Evaluación de Semillas

Tradicionalmente, para evaluar la calidad de las semillas, la gente las inspecciona visualmente y mide su tamaño usando herramientas como tamices y balanzas. Sin embargo, este método puede ser lento y subjetivo, a menudo tardando meses en evaluar un número significativo de plantas. Con miles de nuevas líneas de cría por examinar, depender de métodos manuales puede crear retrasos en el proceso de cría. Aquí es donde se hace evidente la necesidad de un método más rápido y preciso.

#El Papel de la Tecnología en la Evaluación de Semillas

Los recientes avances en tecnología, específicamente en visión por computadora, han creado nuevas oportunidades para mejorar la evaluación de semillas. Los investigadores han comenzado a usar Análisis de imágenes y aprendizaje automático para entender mejor las características de las semillas. Sin embargo, muchos métodos existentes requieren mucha preparación y calibración para funcionar correctamente, lo cual puede ser costoso y llevar tiempo.

Para enfrentar estos desafíos, nos propusimos construir un sistema fácil de usar y de alta velocidad para analizar las características de las semillas. Este sistema integra el procesamiento de imágenes con técnicas de aprendizaje profundo, permitiendo una evaluación eficiente y a gran escala de las semillas. Al establecer condiciones consistentes para capturar imágenes y utilizar aprendizaje profundo para identificar y medir las características de las semillas, nuestro método mejora significativamente la velocidad y precisión de las evaluaciones de semillas.

#Materiales Vegetales Usados en la Investigación

En nuestra investigación, recogimos 287 muestras de guisantes secos de la USDA. Estas muestras provinieron de diferentes regiones, mostrando la variedad dentro de la especie. Fueron recolectadas de muchos lugares, reflejando la diversidad de lo que pueden ser los guisantes secos.

#Cultivando las Semillas

Las semillas se plantaron en parcelas diseñadas especialmente con un espaciado específico durante las temporadas de cultivo de 2021 y 2022. Cada parcela tenía 30 semillas, y nos aseguramos de tratar las semillas con productos protectores antes de plantarlas. Cuando las plantas maduraron, las parcelas fueron cosechadas y secadas para preparar las semillas para su análisis.

#Construyendo el Setup de Captura de Imágenes

Para capturar imágenes de las semillas, construimos una caja de luz económica, que es una estructura simple que ayuda a tomar fotos consistentes. Usando una caja de cartón común, creamos un espacio cerrado donde las semillas podían ser fotografiadas con iluminación controlada. Utilizamos materiales cotidianos, haciéndolo accesible para que cualquiera lo pueda recrear. Nuestro setup incluía una moneda de referencia para ayudar a asegurar que las imágenes mantuvieran un tamaño consistente durante el análisis.

#Preparando Imágenes para Análisis

Una vez que las semillas fueron capturadas usando nuestra caja de luz, nos aseguramos de preparar las imágenes correctamente para el análisis. Usamos una herramienta que ayuda a encontrar la moneda en las imágenes y corregir cualquier diferencia causada por la cámara. Esto asegura que cada imagen sea consistente y se pueda comparar fácilmente.

A principios de 2023, comenzamos a usar una herramienta nueva y poderosa llamada Segment Anything Model (SAM). Esta herramienta puede identificar automáticamente diferentes objetos en una imagen, incluidas las semillas. Separa cada semilla del fondo, lo que facilita mucho su análisis. Después de eso, entrenamos otro modelo, YOLOv8, que puede detectar y categorizar las semillas en nuevas imágenes.

#Segmentando Semillas con SAM

Antes de entrenar nuestro modelo YOLOv8, necesitábamos preparar nuestro conjunto de datos definiendo con precisión la ubicación de cada semilla dentro de las imágenes. Esto se logró utilizando SAM, que separa rápida y precisamente las semillas de sus fondos. SAM procesa las imágenes para dibujar un cuadro alrededor de cada semilla, dándonos la información necesaria para entrenar nuestro modelo de detección.

#Detectando Semillas con YOLOv8

Una vez que teníamos nuestras imágenes correctamente etiquetadas, pasamos a entrenar YOLOv8. Este modelo es conocido por detectar objetos dentro de las imágenes de forma rápida y precisa. Al entrenar, YOLOv8 observa toda la imagen a la vez y la divide en secciones más pequeñas, lo que facilita encontrar e identificar semillas.

Realizamos dos conjuntos de experimentos para ver qué tan bien aprendió el modelo de nuestras imágenes. Los resultados mostraron que incluso con un número menor de ciclos de entrenamiento, el modelo pudo desempeñarse bien reconociendo diferentes objetos, incluidas las semillas.

#Rendimiento de los Modelos

Nuestra investigación indicó que SAM tuvo un desempeño excepcional segmentando e identificando semillas con más del 96% de precisión. YOLOv8 también mostró resultados impresionantes con una tasa de precisión de 0.977, sugiriendo que podría ser una herramienta valiosa para el análisis automatizado de semillas en agricultura.

#Validación de Resultados

Para asegurarnos de que nuestro modelo medía con precisión los tamaños de las semillas, comparamos las mediciones de nuestro modelo con las mediciones manuales tomadas con herramientas de precisión. Encontramos una fuerte correlación entre ambos métodos, confirmando que nuestro modelo es efectivo para analizar las características de las semillas.

También hicimos una verificación visual de los colores extraídos de nuestras imágenes. Al comparar las imágenes originales de las semillas con las procesadas, nos aseguramos de que nuestro método de extracción de color fuera confiable.

#Ventajas del Análisis Automatizado

El desarrollo de un sistema automatizado para analizar las características de las semillas ofrece numerosos beneficios. Permite obtener resultados más rápidos, mayor precisión y mejor integración de datos en comparación con los métodos tradicionales. Los procesos automatizados reducen errores y sesgos humanos, asegurando que los datos que recogemos sean consistentes y confiables. A medida que los conjuntos de datos crecen, el análisis automatizado puede ajustarse fácilmente sin necesidad de más tiempo o mano de obra.

En un entorno controlado donde las influencias externas son limitadas, nuestro sistema proporciona información precisa sobre las verdaderas características de las semillas. Aunque nuestro setup actual carece de un sistema de código de barras para rastrear muestras, lo cual mejoraría nuestra gestión de datos, la base general es sólida para futuros avances.

#Conclusión

En resumen, nuestro enfoque para utilizar tecnología avanzada para evaluar semillas de guisantes secos muestra un gran potencial. La combinación de modelos de aprendizaje profundo y un proceso sistemático de imagen permite una extracción de rasgos eficiente y precisa. Las mejoras continuas y ajustes en nuestros métodos aumentarán aún más su efectividad en la investigación agrícola y el análisis de semillas. Nuestro trabajo sienta las bases para futuros estudios, que podrían aprovechar esta tecnología para explorar la diversidad de semillas y mejorar la calidad de los cultivos.