Desplegar menú lateral
23/06/2021

Un algoritmo para medir la morfología de la fruta

Planta con fresas (fuente: CRAG)

Un equipo investigador del CRAG presenta una herramienta informática automatizada para el análisis fenómico completo de la morfología de la fruta con mínima intervención del usuario.

Combinando métodos lineales, multivariados y de aprendizaje profundo, el código desarrollado está disponible de forma abierta para la comunidad.

La automatización de la medición del fenotipo contribuirá decisivamente a aumentar la eficiencia de la mejora vegetal de una manera rápida y económica.

Un equipo investigador del Centro de Investigación en Agrigenómica (CRAG) ha desarrollado un método informático automatizado y rentable para evaluar la forma y el color de la fruta que contribuirá a aumentar la eficiencia agrícola. El estudio, publicado en la revista científica Plant Phenomics, se ha realizado utilizando imágenes de fresa, aunque su algoritmo de aprendizaje automático se puede aplicar fácilmente a otros frutos como manzanas, tomates y cítricos. El software ideado también puede predecir virtualmente la forma y apariencia de la fruta, proporcionando una poderosa herramienta de simulación para diseñar nuevos cruces. El equipo investigador ha dado acceso abierto al código para que la comunidad lo adapte a sus necesidades.

En un contexto de crecimiento exponencial de la población mundial y de incremento de las áreas de sequía a causa del cambio climático, es imprescindible optimizar la producción de alimentos de forma significativa.
Durante las últimas décadas, el aumento de la eficiencia de los sistemas frutícolas –uno de los principales objetivos del Año Internacional de las Frutas y Verduras (AIFV) designado por la Asamblea General de la ONU–
se ha logrado gracias a los programas de mejora vegetal que se han beneficiado del desarrollo de tecnologías genómicas. Sin embargo, la mejora vegetal involucra tanto la genómica como la fenómica –la expresión de un genoma en distintos ambientes que da lugar a rasgos medibles diferenciados–, y la automatización de las mediciones fenómicas es uno de los mayores desafíos y oportunidades para incrementar el ritmo de la selección artificial y lograr la agricultura de precisión.

Dado que la apariencia de la fruta influye críticamente en la aceptación de los consumidores, con diferentes preferencias entre comunidades y alrededor del mundo, los rasgos morfológicos como la forma, el tamaño y
el color son muy relevantes en los programas de mejora vegetal. La caracterización manual de tales rasgos es costosa e inexacta, pero hoy en día se pueden tomar cientos de fotografías de frutas cultivadas en diferentes condiciones ambientales, incluso en el campo, para recolectar información fenómica objetiva. Por lo tanto, el desarrollo de herramientas analíticas nuevas y mejoradas capaces de transformar automáticamente esta gran cantidad de datos en información valiosa es clave para promover la evaluación de la apariencia de la fruta.

Implementando algoritmos de aprendizaje profundo

En este estudio, el equipo investigador tomó fotografías externas y de medio corte de unas 2000 fresas de diferentes líneas de mejora proporcionadas por la empresa Planasa, recolectadas en la campaña 2018 en Huelva (España), la principal zona productora de fresa en Europa. “Evaluar la forma de un objeto dado, una fresa en este caso, a partir de una fotografía no es tan sencillo como pueda parecer. Los descriptores lineales
clásicos –área, perímetro, altura, anchura…– tienen ciertas limitaciones que llevan a la pérdida de información relevante al simplificar extremadamente las características morfológicas. Para evaluar la forma
de modo más detallado, complementamos estos métodos lineales con técnicas multivariadas y de aprendizaje profundo
”, explica la primera autora del artículo, Laura M. Zingaretti, que realizó este trabajo como parte de su tesis doctoral en el CRAG.

Por primera vez, este trabajo aplica técnicas de aprendizaje profundo, una clase de algoritmos de aprendizaje automático, para evaluar la forma de la fruta. Combinando estos métodos con mediciones lineales y multivariantes, el equipo investigador ha sido capaz de generar un software automatizado que analiza patrones de forma y color extraídos de imágenes de fresa. La herramienta desarrollada está bastante más automatizada que sus predecesoras, ya que requiere una mínima intervención del usuario y un tiempo de computación limitado, lo que proporciona una forma económica y rápida para la evaluación fenómica.

Una herramienta para mejorar la eficiencia agrícola

“Además del análisis morfológico, nuestra herramienta de aprendizaje profundo presenta una novedosa idea para simular virtualmente nuevas formas de frutos, ya que es capaz de predecir la apariencia de los frutos de nuevos cruces. Este aporte puede ser muy valioso en el primer paso de los programas de mejora vegetal, ya que permitiría evaluar varios cruces sin necesidad de probarlos directamente en campo, ahorrando tiempo y recursos”, señala Miguel Pérez-Enciso, investigador ICREA en el CRAG y codirector de la tesis.

La primera autora del artículo, Laura M. Zingaretti (centro), ha realizado este trabajo
como parte de su tesis doctoral en el CRAG, codirigida por la investigadora del IRTA en el CRAG Amparo Monfort (izquierda) y por el investigador ICREA en el CRAG Miguel Pérez-Enciso (derecha). Fuente: CRAG.

El método desarrollado demuestra que la forma y el color de la fruta se pueden evaluar rápida y automáticamente y que son bastante heredables, lo que permitirá a las personas dedicadas a la mejora vegetal tomar decisiones rápidamente para modificar la apariencia de los productos agrícolas. “Este estudio tiene un impacto directo en el sector agrícola, ya que los algoritmos están diseñados para obtener parámetros morfológicos de forma eficiente y económica. Además, esta herramienta tiene el potencial de ser adaptada para medir los rasgos fenómicos visuales de los frutos directamente en el campo, para analizar otras características de conformación de las plantas (hojas, flores, raíces…), o para la evaluación temprana de enfermedades”, agrega Amparo Monfort, investigadora del IRTA en CRAG y codirectora del trabajo.