Para modelar cómo crecen y se desarrollan las plantas de acuerdo con sus genotipos, fenotipos, ambiente y/o manejo, el uso de un dosel tridimensional (3D) realista ayuda a refinar las predicciones de intercepción de luz y fotosíntesis.

El desarrollo de métodos de imágenes en 3D para estimar la estructura de la copa de los árboles, el crecimiento de los brotes y la biomasa se ha expandido en los últimos años. Sin embargo, hacer una copia de seguridad de suficientes datos escaneados en 3D lleva mucho tiempo, ya que los datos deben procesarse manualmente. En simulaciones a gran escala, las reconstrucciones de una sola planta o de plantas dispersas a menudo se duplican por simplicidad y, por lo tanto, carecen de diversidad fenotípica. Ahora se pueden usar modelos generativos profundos para aprender y crear datos 3D realistas.

dr. Jung Eek Son, profesor de ciencias de las plantas en la Universidad Nacional de Seúl, y sus colegas generaron modelos de hojas y extrajeron sus características utilizando modelos generativos profundos. Los autores escanearon plantas de pimiento en diferentes etapas de desarrollo utilizando un escáner 3D portátil de alta resolución. Se obtuvieron nubes de puntos a partir de los escaneos, que luego se usaron para entrenar los modelos generativos profundos que podrían producir las cuchillas.

Los autores compararon hojas generadas con tres modelos generativos profundos: codificador automático variacional (VAE), red adversa generativa (GAN) y GAN de espacio latente.

Mientras que un VAE toma datos sin procesar de una imagen, los codifica a una resolución más baja y luego los reconstruye, un GAN crea una imagen a partir del ruido y luego distingue la imagen en función de los datos sin procesar para determinar si es real o falso. Una GAN de espacio latente (L-GAN) tiene la misma estructura básica y método de entrenamiento que una GAN, pero usa variables latentes: características que el sistema de aprendizaje podría usar para reconocer o clasificar patrones en la entrada, en lugar de datos sin procesar.

Los modelos generativos profundos crearon fenotipos 3D fiables de hojas de pimiento. Entre los modelos generativos profundos, L-GAN mostró el mayor rendimiento en la generación de hojas realistas. “Comparamos varios modelos generativos para la formación de álabes. De esta forma, la forma de la hoja podría controlarse mediante interpolación lineal y operaciones aritméticas simples. Es decir, el modelo generativo contiene características morfológicas en algún lugar de los parámetros del modelo. Se ha logrado el primer paso hacia el uso práctico del modelado generativo profundo para la creación autónoma de modelos de plantas en 3D sin una extracción de características complicada”, dice Son.

Si bien la forma 3D de las hojas vistas desde arriba se usó para entrenar los modelos generativos profundos, los modelos también pudieron generar imágenes para evaluar variables latentes como el tono y la curvatura de los datos.

Son concluye: “Los modelos generativos profundos pueden parametrizar y generar rasgos morfológicos en modelos de plantas 3D digitalizados y agregar realismo y diversidad a los estudios y modelos de fenotipado de plantas”.

LEER EL ARTÍCULO:

Taewon Moon, Hayoung Choi, Dongpil Kim, Inha Hwang, Jaewoo Kim, Jiyong Shin, Jung Eek Son, construcción autónoma de modelos de hojas 3D parametrizables a partir de hojas de pimiento escaneadas con redes generativas profundas,plantas in silicoVolumen 4, Número 2, 2022, diac015, https://doi.org/10.1093/insilicoplants/diac015

El artículo sobre construcción autónoma de láminas 3D apareció por primera vez en Botany One.