Evaluación Automática de Rasgos de Semillas de Soja Utilizando Datos de Imágenes RGB y un Algoritmo en Python
Autores: Ghimire, Amit; Kim, Seong-Hoon; Cho, Areum; Jang, Naeun; Ahn, Seonhwa; Islam, Mohammad Shafiqul; Mansoor, Sheikh; Chung, Yong Suk; Kim, Yoonha
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Evaluación Automática de Rasgos de Semillas de Soja Utilizando Datos de Imágenes RGB y un Algoritmo en Python
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Soja
Semillas
Características
Algoritmo
Mediciones
Cría
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La soja es un cultivo de legumbres crucial conocido por su valor nutricional, ya que sus semillas proporcionan grandes cantidades de proteína vegetal y aceite. Para asegurar la máxima productividad en el cultivo de soja, es esencial elegir cuidadosamente semillas de alta calidad que posean características deseables, como el tamaño, la forma, el color y la ausencia de daños. Al estudiar la relación entre la forma de la semilla y otros rasgos, podemos identificar eficazmente diferentes genotipos y mejorar las estrategias de cría para desarrollar semillas de soja de alto rendimiento. Este estudio se centró en el análisis de los rasgos de las semillas utilizando un algoritmo de Python. Se midieron la longitud, el ancho, el área proyectada y la relación de aspecto de las semillas, y se calculó el número total de semillas. Se utilizó la biblioteca OpenCV junto con la función de detección de contornos para medir los rasgos de las semillas. Los rasgos de las semillas obtenidos a través del algoritmo se compararon con los valores obtenidos manualmente y de dos aplicaciones de software (SmartGrain y WinDIAS). Las mediciones derivadas del algoritmo para la longitud, el ancho y el área proyectada de las semillas mostraron una fuerte correlación con las mediciones obtenidas utilizando varios métodos, con valores de R-cuadrado superiores a 0.95 (< 0.0001). De manera similar, las métricas de error, incluido el error estándar residual, el error cuadrático medio y el error absoluto medio, fueron todas inferiores al 0.5% al comparar la longitud, el ancho y la relación de aspecto de las semillas a través de diferentes métodos de medición. Para el área proyectada, el error fue inferior al 4% en comparación con diferentes métodos de medición. Además, el algoritmo utilizado para contar el número de semillas presentes en las imágenes adquiridas fue altamente preciso, y solo se observaron algunos errores. Este fue un estudio preliminar que investigó solo algunos rasgos morfológicos, y se necesita más investigación para explorar más atributos de las semillas.
Descripción
La soja es un cultivo de legumbres crucial conocido por su valor nutricional, ya que sus semillas proporcionan grandes cantidades de proteína vegetal y aceite. Para asegurar la máxima productividad en el cultivo de soja, es esencial elegir cuidadosamente semillas de alta calidad que posean características deseables, como el tamaño, la forma, el color y la ausencia de daños. Al estudiar la relación entre la forma de la semilla y otros rasgos, podemos identificar eficazmente diferentes genotipos y mejorar las estrategias de cría para desarrollar semillas de soja de alto rendimiento. Este estudio se centró en el análisis de los rasgos de las semillas utilizando un algoritmo de Python. Se midieron la longitud, el ancho, el área proyectada y la relación de aspecto de las semillas, y se calculó el número total de semillas. Se utilizó la biblioteca OpenCV junto con la función de detección de contornos para medir los rasgos de las semillas. Los rasgos de las semillas obtenidos a través del algoritmo se compararon con los valores obtenidos manualmente y de dos aplicaciones de software (SmartGrain y WinDIAS). Las mediciones derivadas del algoritmo para la longitud, el ancho y el área proyectada de las semillas mostraron una fuerte correlación con las mediciones obtenidas utilizando varios métodos, con valores de R-cuadrado superiores a 0.95 (< 0.0001). De manera similar, las métricas de error, incluido el error estándar residual, el error cuadrático medio y el error absoluto medio, fueron todas inferiores al 0.5% al comparar la longitud, el ancho y la relación de aspecto de las semillas a través de diferentes métodos de medición. Para el área proyectada, el error fue inferior al 4% en comparación con diferentes métodos de medición. Además, el algoritmo utilizado para contar el número de semillas presentes en las imágenes adquiridas fue altamente preciso, y solo se observaron algunos errores. Este fue un estudio preliminar que investigó solo algunos rasgos morfológicos, y se necesita más investigación para explorar más atributos de las semillas.