Estimación de fenotipos de plántulas de maíz a partir de nubes de puntos adquiridas en ambiente controlado

La fenotificación o estimación de rasgos morfológicos en plántulas, mediante técnicas se miautomáticas, es cada vez más relevante en los estudios de valoración de genotipos a nivel de órganos, consiguiendo tener un análisis más preciso de las características de ca da planta en ambientes controlados, permitiendo de esta manera encontrar las mejores variedades. Así, en este trabajo se presenta una técnica semiautomática para la segmen tación de órganos de plántulas de maíz y la estimación de características fenotípicas a nivel poblacional, individual y de órganos. Para ello, se utilizó una plataforma LiDAR construida previamente por otro miembro del proyecto y la base de datos obtenida en dicho trabajo como punto de partida. Mediante pruebas experimentales, se estableció un protocolo de adquisición para mejorar la calidad de los datos obtenidos por la plataforma, el cual se utilizó para aumentar la base de datos existente. Luego, se realizó un estudio comparativo de filtros empleados para la eliminación de ruido en nubes de puntos con el fin de mejorar la calidad de la base de datos. Posteriormente, empleando técnicas de aprendizaje de maquinas clásico y procesamiento de imágenes, se realizó la segmentación del tallo de la planta y la identificación de cada hoja. Los resultados obtenidos arrojaron una exactitud del 85.71 % en la segmentación del tallo, 85.50 % en el conteo de hojas y 70.11 % en la identificación de hojas. Por último, se obtuvieron algunos fenotipos del maíz que se encuentran en la literatura y se analizaron a nivel poblacional (altura promedio y cantidad de hojas promedio), individual (altura, área foliar, ángulo de inclinación y volumen) y de órganos (largo, ancho, ángulo de inclinación y volumen).

• Autores: Betancourt Lozano, Juan Jose
• Fecha de publicación: 2022
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/3787
• Acceso en línea: https://hdl.handle.net/20.500.12313/3787
• Palabra clave: Segmentación de órganos; Estimación de fenotipos; Base de datos 3D; Plántulas de maíz; Aprendizaje de maquinas; Filtrado de nubes de puntos; Organ segmentation; Phenotype estimation; 3D database; Maize seedling; Machine learning; Point cloud filtering
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2