La evaluación nutricional de las mezclas de semillas mediante IA mejora las prácticas agrícolas sostenibles
El cultivo de mezclas de semillas para pastos locales es un método ancestral para producir piensos rentables y equilibrados, mejorando la autonomía agraria y el respeto al medio ambiente en consonancia con la evolución de la normativa europea y las demandas de los consumidores ecológicos. A pesar de sus ventajas, los agricultores se enfrentan a problemas de adopción debido a la maduración asincrónica de cereales y leguminosas y a la dificultad de evaluar el valor nutritivo de semillas heterogéneas. Las prácticas actuales se basan en métodos informales y empíricos, y una solución propuesta es desarrollar una aplicación móvil o un servicio en línea, similar a Pl@ntNet, para la evaluación nutricional automatizada de mezclas de semillas, fomentando la participación de los agricultores y el enriquecimiento de la base de datos. Sin embargo, para ello es necesario superar retos agrícolas y de visión por ordenador. Superarlos, junto con optimizar los modelos de redes neuronales profundas y las funciones de pérdida, sigue siendo un foco de investigación crítico para hacer que esta práctica agrícola sostenible sea más accesible y eficiente.
Plant Phenomics
En noviembre de 2023, Plant Phenomics publicó un artículo de investigación titulado "Estimating Compositions and Nutritional Values of Seed Mixes Based on Vision Transformers ".
Esta investigación presenta un enfoque novedoso que utiliza la Inteligencia Artificial para estimar el valor nutricional de las mezclas de semillas cosechadas, con el objetivo de ayudar a los agricultores a gestionar el rendimiento de los cultivos y promover el cultivo sostenible. Se creó un conjunto de datos de 4749 imágenes que cubren 11 variedades de semillas para entrenar dos modelos de aprendizaje profundo: Redes neuronales convolucionales (CNN) y transformadores de visión (ViT). Los resultados favorecieron significativamente al modelo BeiT basado en ViT, que superó a la CNN en todas las métricas, incluido un error medio absoluto (MAE) de solo 0,0383 y un coeficiente de determinación(R2) de 0,91. Las técnicas de aumento de datos y las variaciones de tamaño de los modelos mejoraron aún más el rendimiento. Aunque los modelos más grandes ofrecían algunas mejoras, la versión básica de BeiT demostró ser la más eficiente en términos de equilibrio entre rendimiento y recursos computacionales. El estudio también exploró las funciones de pérdida y descubrió que la pérdida clásica KLDiv superaba a la variante Sparsemax. El análisis detallado por tipo de semilla reveló un rendimiento distinto en las distintas categorías, con modelos que destacaban en general en el reconocimiento de cebada, altramuz, centeno, espelta y trigo, mientras que se enfrentaban a dificultades con la veza y la avena. La agregación de predicciones a partir de varias imágenes de la misma mezcla mejoró significativamente la solidez y la precisión. La investigación culminó con el desarrollo de "ESTI'METEIL" (https://c4c.inria.fr/carpeso/), un componente web de libre acceso que permite a los usuarios estimar la composición y el valor nutritivo de las semillas a partir de imágenes. Esta herramienta demuestra la aplicación práctica y el potencial de la investigación para escenarios agrícolas del mundo real.
En conclusión, el estudio aplicó eficazmente técnicas avanzadas de aprendizaje profundo, en particular el modelo BeiT autosupervisado, al desafío agrícola de estimar la composición de las mezclas de semillas y sus valores nutricionales. La investigación no solo mostró resultados prometedores con una alta puntuaciónR2, sino que también proporcionó una herramienta práctica para los agricultores, marcando un paso significativo hacia prácticas agrícolas más sostenibles e informadas. En el futuro se intentará mejorar el equilibrio de los datos y explorar la generación de imágenes sintéticas para mejorar aún más el rendimiento del modelo y su aplicabilidad práctica.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Más noticias del departamento ciencias
Reciba la industria alimentaria y de bebidas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de la industria de alimentos y bebidas le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
