Sviluppi nella misurazione dei tratti delle piante in 3D

La domanda di cibo in tutto il mondo sta aumentando. Allo stesso tempo, c'è meno terra disponibile per l'agricoltura e il cambiamento climatico rende più difficile coltivare. Per questi motivi, è super importante raccogliere e capire informazioni dettagliate su come crescono e rispondono all'ambiente le diverse colture. Queste informazioni possono aiutare gli agricoltori e i ricercatori a trovare modi migliori per gestire le colture e garantire rese e qualità più elevate.

Di recente, nuove tecnologie hanno reso più facile raccogliere dati sulle piante. Per esempio, il sequenziamento di nuova generazione ci ha permesso di raccogliere un sacco di informazioni sulla composizione genetica delle piante. Inoltre, dispositivi intelligenti connessi a Internet possono ora raccogliere dati sull'ambiente in cui crescono le colture. Nonostante questi progressi, raccogliere informazioni dettagliate sulle caratteristiche fisiche delle piante è ancora un processo lungo che spesso produce risultati limitati. Di conseguenza, i ricercatori e gli agricoltori sono sempre più interessati a nuove tecnologie che possono aiutare a misurare i tratti delle piante.

Un'area promettente di ricerca è il monitoraggio delle forme tridimensionali delle piante. Capendo queste forme, gli agricoltori possono prendere decisioni migliori su quando applicare fertilizzanti e pesticidi, migliorando di fatto come crescono le loro colture.

#Utilizzare la tecnologia 3D per misurare le piante

Oggi possiamo utilizzare vari strumenti per raccogliere informazioni 3D sulle forme delle piante in modo efficiente e a costi ridotti. Ad esempio, scanner laser 3D, telecamere di profondità e tecniche come la fotogrammetria ci permettono di creare modelli dettagliati delle piante. Un metodo comune chiamato Structure from Motion (SfM) e Multi-View Stereo (MVS) può generare una superficie 3D da una raccolta di immagini 2D scattate da angolazioni diverse.

Da questi modelli 3D, possiamo estrarre informazioni importanti, come il numero di foglie, l'altezza della pianta e l'indice dell'area fogliare. Ottimizzando il modo in cui misuriamo questi dati 3D, possiamo accelerare il processo di raccolta di informazioni sui tratti delle piante.

#Sfide nella raccolta dei dati

Raccogliere dati di alta qualità da nuvole di punti 3D è fondamentale per comprendere le caratteristiche delle piante. I ricercatori hanno proposto vari metodi per garantire che i dati raccolti utilizzando SfM e MVS siano della massima qualità. Un approccio efficace prevede la creazione di immagini mascherate, che possono aiutare a concentrarsi su aree specifiche e ridurre il rumore di fondo durante la raccolta dei dati. Ci sono modi diversi di costruire modelli dai dati delle nuvole di punti raccolti, a seconda dei tratti misurati e delle condizioni di raccolta dei dati.

Tuttavia, anche con le tecnologie disponibili, molti metodi per migliorare i processi di raccolta e analisi dei dati delle piante non sono ancora completamente sviluppati. Questa lacuna rappresenta un'opportunità per la ricerca di sviluppare modi più efficaci per raccogliere e interpretare le informazioni sulle piante.

#Obiettivo dello studio

In questa ricerca, ci siamo proposti di snellire la raccolta dei dati sui tratti delle piante attraverso la modellazione 3D. Abbiamo confrontato vari metodi per catturare dati da singole piante di soia, inclusa la generazione di immagini mascherate, l'elaborazione dei dati con il pipeline SfM/MVS e la ricostruzione delle superfici delle foglie per stimare l'area fogliare. Il nostro obiettivo era identificare i migliori modi per misurare e analizzare i tratti delle piante.

#Raccolta dei dati

Abbiamo utilizzato diversi set di immagini di piante di soia per addestrare i nostri modelli e valutare diversi scenari per la ricostruzione 3D. In particolare, abbiamo raccolto immagini di diverse cultivar di soia e fasi di crescita. Ogni pianta è stata documentata utilizzando centinaia di immagini, e abbiamo etichettato queste immagini identificando elementi chiave, come la pianta, lo sfondo e oggetti come pali o vasi.

Inoltre, per stimare l'area fogliare, abbiamo raccolto dati da singole foglie e misurato le loro aree dopo aver catturato immagini ad alta risoluzione utilizzando uno scanner.

#Generazione di immagini mascherate

Per semplificare il processo di raccolta dei dati, abbiamo impiegato un modello di deep learning chiamato U-Net per creare immagini mascherate. Queste immagini mascherate identificano le parti rilevanti delle immagini, consentendoci di concentrarci sulle piante e ignorare gli elementi di sfondo irrilevanti. Impostando parametri come scala dell'immagine e sovrapposizione, possiamo ottimizzare la generazione di queste maschere.

Il modello U-Net è stato addestrato su una varietà di immagini per migliorare la sua capacità di identificare efficacemente i soggetti principali di interesse. I risultati hanno mostrato che l'uso di immagini mascherate può ridurre significativamente il tempo di elaborazione migliorando al contempo la qualità dei dati.

#Elaborazione dei dati 3D

Dopo aver generato le immagini mascherate, abbiamo impiegato i metodi SfM e MVS per creare dati di nuvole di punti 3D dalle immagini di singole piante. Questo ha comportato diversi passaggi, inclusa l'identificazione di punti chiave nelle immagini, il matching di questi punti tra diverse immagini e la stima delle posizioni delle telecamere per creare un modello tridimensionale.

Abbiamo testato quattro diversi scenari riguardanti come abbiamo applicato le immagini mascherate prima o dopo il processo SfM. Ogni scenario ha mostrato differenze nella qualità delle nuvole di punti risultanti e nel tempo impiegato per elaborare i dati. La nostra analisi ha dimostrato che applicare selettivamente le maschere può migliorare la qualità dei dati e accelerare l'intero processo.

#Ricostruzione della Superficie Fogliare

Per fare stime sull'area fogliare dai dati di nuvole di punti 3D, abbiamo utilizzato due metodi principali: la ricostruzione della superficie di Poisson e l'adattamento della superficie B-spline. Entrambi i metodi ci permettono di creare un modello di superficie dai dati della nuvola di punti, ma funzionano in modi leggermente diversi.

Abbiamo scoperto che il metodo di adattamento della superficie B-spline era più accurato nella stima dell'area fogliare rispetto alla ricostruzione della superficie di Poisson. Tuttavia, entrambi i metodi avevano i loro punti di forza e debolezza, e un approccio accurato alla ricostruzione della superficie è cruciale per ottenere risultati precisi.

#Ottimizzazione della raccolta dei dati

Attraverso i nostri esperimenti, abbiamo identificato fattori chiave che potrebbero migliorare la raccolta dei dati fenotipici dalle piante. Abbiamo valutato diverse ingrandimenti delle immagini di input per il processo di segmentazione. I nostri risultati hanno mostrato che utilizzare un ingrandimento di circa 1/4 o 1/5.4 offriva i migliori risultati in termini di qualità dei dati senza aumentare significativamente il tempo di elaborazione.

Inoltre, abbiamo scoperto che l'uso delle maschere appropriate durante il pipeline SfM/MVS ha aiutato a sopprimere il rumore di fondo preservando al contempo i dettagli necessari per una ricostruzione accurata della nuvola di punti.

#Creazione di strumenti per i ricercatori

Abbiamo sviluppato un'app web che consente agli utenti di generare facilmente immagini mascherate. Questo strumento può essere regolato per vari parametri per adattarsi a diversi tipi di immagini e necessità di ricerca.

Inoltre, abbiamo fornito accesso aperto alle nostre immagini di soia multi-view, insieme alle corrispondenti immagini mascherate e ai dati di misurazione. Rendendo queste risorse disponibili, miriamo a supportare lo sviluppo di ulteriori metodologie nella fenotipizzazione delle piante.

#Conclusione

In sintesi, questa ricerca ha fornito spunti per ottimizzare i processi di raccolta e analisi dei dati sui tratti delle piante. Sfruttando tecnologie e metodi avanzati, abbiamo proposto un flusso di lavoro efficiente per stimare l'area fogliare nelle piante di soia.

I risultati indicano che combinare immagini ad alta risoluzione, uso efficace delle immagini mascherate e ricostruzione precisa delle superfici contribuisce alla qualità complessiva dei dati raccolti. I nostri strumenti e dataset servono come risorse preziose per i ricercatori, con il potenziale di migliorare l'efficienza e l'accuratezza degli sforzi di fenotipizzazione delle piante.

Condividendo i risultati e sviluppando applicazioni user-friendly, speriamo di aiutare nei futuri progressi nel campo, contribuendo infine a migliori pratiche agricole e a rese migliori delle colture.