Predicción de color de hoja de fresa utilizando valores medios de RGB basados en parámetros fisicoquímicos del suelo mediante modelos de aprendizaje automático
Autores: Madhavi, Bolappa Gamage Kaushalya; Basak, Jayanta Kumar; Paudel, Bhola; Kim, Na Eun; Choi, Gyeong Mun; Kim, Hyeon Tae
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Predicción de color de hoja de fresa utilizando valores medios de RGB basados en parámetros fisicoquímicos del suelo mediante modelos de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Fresa
Análisis fisicoquímico del suelo
Análisis del color de las hojas
Agricultura de precisión
Modelos de aprendizaje automático
Valores medios de RGB
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Fresas cultivadas intensivamente en un invernadero requieren constituyentes físico-químicos del suelo frecuentes y precisos para una producción óptima. Los análisis del color de las hojas de fresa son la forma más efectiva de evaluar el estado del suelo y protegerse contra el exceso de nutrientes ambientales y contratiempos financieros. Mientras tanto, las recomendaciones de agricultura de precisión (PA) se han utilizado para imitar soluciones a estos problemas. Este estudio tuvo como objetivo crear modelos de aprendizaje automático como regresión lineal múltiple (MLR) y regresión de impulso de gradiente (GBR) para simular cambios en el color de las hojas de fresa relacionados con los componentes físico-químicos del suelo y la edad de la planta utilizando los valores medios de RGB (rojo, verde y azul). Las propiedades físico-químicas del suelo de las hojas más variadas de fresa fueron medidas con precisión por un sensor de suelo multifuncional de las zonas de enraizamiento. Simultáneamente, se desprendieron 400 folíolos de fresa en cada etapa vegetativa y reproductiva, y se capturaron hojas individuales utilizando un sistema de imagen digital. Los valores medios de RGB de las imágenes a color fueron extraídos utilizando algoritmos de segmentación de imágenes de la técnica de procesamiento de imágenes. En consecuencia, se desarrollaron modelos MLR y GBR para predecir los valores medios de RGB de las hojas en función de las mediciones físico-químicas del suelo y la edad de la planta. El modelo GBR se ajustó vigorosamente a los valores medios de RGB a lo largo de la etapa de crecimiento, con valores de (= 0.77, 7.16, = 0.72, 7.37 y = 0.70, 5.68), respectivamente. Además, el modelo MLR funcionó moderadamente con valores de (= 0.67, 8.59, = 0.57, 9.12 y = 0.56, 6.81) al predecir consecutivamente los valores medios de RGB en las hojas de fresa. Finalmente, el modelo GBR fue más efectivo que el modelo MLR con métricas de alto rendimiento. Además, el modelo de color de las hojas utiliza tecnología de visualización para medir el progreso del crecimiento, y funciona bien en predecir cambios dinámicos en el color de las hojas de fresa.
Descripción
Fresas cultivadas intensivamente en un invernadero requieren constituyentes físico-químicos del suelo frecuentes y precisos para una producción óptima. Los análisis del color de las hojas de fresa son la forma más efectiva de evaluar el estado del suelo y protegerse contra el exceso de nutrientes ambientales y contratiempos financieros. Mientras tanto, las recomendaciones de agricultura de precisión (PA) se han utilizado para imitar soluciones a estos problemas. Este estudio tuvo como objetivo crear modelos de aprendizaje automático como regresión lineal múltiple (MLR) y regresión de impulso de gradiente (GBR) para simular cambios en el color de las hojas de fresa relacionados con los componentes físico-químicos del suelo y la edad de la planta utilizando los valores medios de RGB (rojo, verde y azul). Las propiedades físico-químicas del suelo de las hojas más variadas de fresa fueron medidas con precisión por un sensor de suelo multifuncional de las zonas de enraizamiento. Simultáneamente, se desprendieron 400 folíolos de fresa en cada etapa vegetativa y reproductiva, y se capturaron hojas individuales utilizando un sistema de imagen digital. Los valores medios de RGB de las imágenes a color fueron extraídos utilizando algoritmos de segmentación de imágenes de la técnica de procesamiento de imágenes. En consecuencia, se desarrollaron modelos MLR y GBR para predecir los valores medios de RGB de las hojas en función de las mediciones físico-químicas del suelo y la edad de la planta. El modelo GBR se ajustó vigorosamente a los valores medios de RGB a lo largo de la etapa de crecimiento, con valores de (= 0.77, 7.16, = 0.72, 7.37 y = 0.70, 5.68), respectivamente. Además, el modelo MLR funcionó moderadamente con valores de (= 0.67, 8.59, = 0.57, 9.12 y = 0.56, 6.81) al predecir consecutivamente los valores medios de RGB en las hojas de fresa. Finalmente, el modelo GBR fue más efectivo que el modelo MLR con métricas de alto rendimiento. Además, el modelo de color de las hojas utiliza tecnología de visualización para medir el progreso del crecimiento, y funciona bien en predecir cambios dinámicos en el color de las hojas de fresa.