Seguimiento de la germinación acumulada de semillas de tomate mediante inteligencia artificial
Palabras clave:
detección de germinación, visión artificial, seguimiento de objetos, seguimiento de semillas, germinadoraResumen
El seguimiento de la germinación de semillas es una tarea común en las actividades de investigación en diferentes cultivos para diversos tratamientos en estudio. Para determinar el impacto de un tratamiento de semillas es esencial realizar ensayos de
germinación que suelen durar alrededor de diez días. Uno de los principales insumos obtenidos de este ensayo son las gráficas de la tasa de germinación por día. Para evaluar el estado de germinación es necesaria la observación directa en el laboratorio, verificando la cantidad de semillas germinadas a lo largo de cada ensayo. Esta inspección visual requiere un entrenamiento adecuado y consume una gran cantidad de tiempo, además de ser propenso a errores humanos. La presente propuesta se
centra en un sistema embebido basado en Raspberry Pi 4 que se ubica dentro de una germinadora, donde captura imágenes de forma periódica. Mediante procesamiento de imágenes basado principalmente en el uso modelos de aprendizaje automático YOLO
entrenados a medida se analizan estas imágenes, realizando un seguimiento de cada placa y el estado de germinación de sus semillas. Además, se plantea el desarrollo de un servidor web local con una interfaz gráfica para permitir a los científicos auditar y
corregir los resultados del sistema. Puede decirse que este sistema convertiría la germinadora en una germinadora inteligente. Este trabajo es parte del proyecto de investigación de evaluación del efecto de campos magnéticos en cultivos de tomate, en
el marco del grupo de investigación estratégica en producción sostenible de agroalimentos de la Universidad Tecnológica del Uruguay.
Descargas
Referencias
Masteling, R., Voorhoeve, L., IJsselmuiden, J. et al., 2020. DiSCount: computer vision for automated quantification of Striga seed germination. Plant Methods 16(1), Art. 60.
Geng, B., Dai, G., & Zhang, H., 2024. Accurate non-destructive testing method for potato sprouts focusing on deformable attention. INMATEH Agricultural Engineering, 72(1), 402-413.
Genze, N., Bharti, R., Grieb, M. et al., 2020. Accurate machine learning-based germination detection, prediction and quality assessment of three grain crops. Plant Methods 16(1), Art. 157.
Škrubej, U., Rozman Č., Stajnko D. 2015. Assessment of germination rate of the tomato seeds using image processing and machine learning. European Journal of Horticultural Science. 80(1), 68-75.
Wolny, S., Mazak, A., Carpella C., Geist V. and Wimmer M., 2020. Thirteen years of SysML: a systematic mapping study, Software and Systems Modeling, 19(1), 111–169.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Pablo Ríos, Diego Quiroga, Hernando Jimenez, María Laura Umpierrez, María Victoria Panzl (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan sus derechos de autor y ceden a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la licencia Creative Commons Reconocimiento 4.0 Internacional License. que permite compartir la obra siempre que se indique la publicación inicial en esta revista.
