Construcción autónoma de láminas 3D

[ad_1]

Puede escuchar esta página como un archivo de audio.

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.

Esta imagen muestra el flujo de trabajo desde el escaneo de hojas en 3D hasta la generación de hojas. En el primer cuadro, se muestran ocho hojas con pecíolos escaneados desde arriba. Una flecha desde este cuadro muestra que los datos se dividen en un conjunto de entrenamiento para el entrenamiento del modelo y un conjunto de validación para la validación del modelo. A partir de aquí se optimiza el modelo. Luego se eligió el modelo que simuló las mejores hojas generadas aleatoriamente y produjo hojas con las características deseadas mediante la manipulación del espacio latente. Para ilustrar esto, una caja contiene 8 hojas generadas aleatoriamente. Una flecha de dos puntas en el cuadro muestra que la interpolación lineal resultó en cambios graduales en la forma de la hoja, y las operaciones aritméticas en el espacio latente agregaron o eliminaron características de las hojas existentes. Las nuevas características se muestran en un cuadro: siete hojas vistas desde arriba y desde los lados, que muestran cambios en el tamaño, el tono y la curvatura de las hojas seleccionadas de nubes de puntos generadas aleatoriamente. El segundo cuadro muestra la manipulación de las nubes de puntos hoja mediante aritmética simple en el espacio latente. A las láminas producidas se les impartieron diversas características, como tamaño, pendiente y curvatura. — Flujo de trabajo desde el escaneo de hojas en 3D hasta la generación de hojas.

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.

Se muestran tres arquitecturas de modelos generativos profundos. En el primer panel, VAE, el decodificador actúa como un generador que hereda las estructuras de la AE. En el segundo panel, GAN, un generador y un discriminador crean hojas de ruido aleatorio. En el tercer panel, L-GAN, tanto el generador de espacio latente como el discriminador operan sobre las variables latentes. — Arquitecturas de los tres modelos generativos profundos.

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.

Resultados de la interpolación del tamaño, tono y curvatura de las hojas generadas y las distribuciones de los fenotipos de las hojas. A las láminas producidas se les impartieron diversas características, como tamaño, pendiente y curvatura. — Imágenes creadas con variables latentes.

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.

[ad_2]

Deja una respuesta Cancelar la respuesta