TY - JOUR 
A1 - Pérez Sanz, Fernando
T1 - Desarrollo de un sistema de fenotipado basado en visión artificial para el estudio de la cinética de crecimiento de plantas
Y1 - 2018
UR - http://hdl.handle.net/10317/7766
AB - [SPA] El creciente aumento demográfico a nivel mundial, está provocando la necesidad de incrementar la producción agrícola. Científicos y productores buscan obtener variedades genéticas más productivas, resistentes y menos exigentes en cuanto a consumo de recursos se refiere. Los avances tecnológicos de las últimas décadas, ha permitido de una forma rápida y económica, la obtención de multitud de nuevas líneas genéticas. Es necesario, además, validar –fenotipar– esas nuevas líneas y comprobar que su comportamiento fenotípico se ajusta a lo esperado en función del genotipo creado. Sin embargo, el gran cuello de botella de todo este proceso se produce precisamente en el fenotipado de las líneas. El ritmo de generación de nuevas variedades ha estado superando con creces nuestra capacidad para identificar sus fenotipos. En los últimos años, el desarrollo del fenotipado de alto rendimiento –High Throughput Phenotyping o HTP– ha logrado que se acorten esas distancias, gracias en parte al creciente interés mostrado por grandes multinacionales y gobiernos. El fenotipado basado en visión artificial es un método no invasivo en la mayoría de los casos, tiene multitud de configuraciones posibles en función de los objetivos planteados, cada vez es más asequible gracias al abaratamiento de la tecnología y es multiescala, pudiendo ser implementado desde una pequeña cámara de cultivo hasta grandes extensiones agrícolas. Por todo ello, este trabajo plantea el desarrollo de un sistema de fenotipado basado en visión artificial, para ser implementado en una cámara de cultivo, con el objetivo último de estudiar la cinética de crecimiento de diferentes líneas genéticas –silvestres y transgénicas–. Este sistema no solo incluye dispositivos y el desarrollo de software de control, sino también la implementación de metodologías de procesamiento de imágenes y análisis del crecimiento. Así, en esta tesis se presenta un método de segmentación de hojas sobre fondo de sustrato, mediante la creación de vectores de características basados en espacios de color –Red, Green, Blue– o en transformadas Wavelet –Near infrared–, como base para entrenar clasificadores de aprendizaje automatizado. En ambos casos se obtienen unos rendimientos de clasificación cercanos al 100 % para el conjunto de imágenes probadas. Por otro lado, la aplicación del sistema al estudio del crecimiento de distintos ejemplares de Antirrhinum majus y de Petunia x hybrida, ha permitido implementar una metodología de modelización –Generalized Additive Models–, que facilita el estudio de las curvas de este crecimiento y permite determinar parámetros como tasa máxima y media de crecimiento. El empleo de los sistemas de fenotipado basado en visión artificial, muestran un gran potencial para el estudio de respuestas hasta ahora poco conocidas, fruto de cambios genómicos y epigenéticos producidos en las plantas. Finalmente, sería deseable, dirigir esfuerzos económicos y humanos hacia un campo que puede aportar no sólo conocimiento científico, sino también soluciones a nivel agroalimentario. [ENG] The growing world population is causing the need to increase crop production. Scientists and farmers are seeking to obtain genetic varieties that are more productive, stress resistant and less demanding in terms of resource consumption. The technological advances of recent decades have made it possible to obtain a multitude of new genetic lines rapidly and economically. It is also necessary to validate these new lines and check whether their phenotypic behaviour complies with what is expected according to the genotype created. However, the bottleneck of this process occurs precisely in the phenotyping of the lines. The rate of generation of new varieties has been greatly outpacing our ability to identify their phenotypes. In recent years, the development of the High Throughput Phenotyping (HTP) has been able to shorten these distances, due to the growing interest shown by corporations and governments.  Computer vision-based phenotyping is a noninvasive method in most cases. It has a multitude of possible configurations depending on the objectives set. It is becoming more affordable thanks to the lower cost of technology and is multiscale and can be implemented from a small cultivation chamber to large agricultural areas. Therefore, this work proposes the development of a phenotyping system based on computer vision, to be implemented in a growth chamber, with them main aim of studying the growth rate of different genetic lines –wild type and transgenic–. This system not only includes devices and the development of control software, but also the implementation of image processing methodologies and growth analysis. Thus, in this thesis we present a method of segmentation of leaves over substrate background, by creating feature vectors based on color spaces –Red Green Blue– or Wavelet transforms -Near Infrared –, as a basis for training machine learning classifiers. In both cases, classification yields of close to 100 for the set oftested images.  On the other hand, the application to the study of the growth of different lines of Antirrhinum majus and Petunia x hybrida, has allowed the implementation of a modelling methodology –Generalized Additive Models–, which facilitates the study of the growth curves and allows the determination of parameters such as maximum and mean growth rates. The application of phenotyping systems based on artificial vision, shows a great potential for the study of uncharacterized germplams, as a result of genomic and epigenetic changes produced in plants. Finally, it would be desirable to focus economic and human efforts towards a field that can provide not only scientific knowledge, but also solutions for the agriculture and food industry.

KW - Genética
KW - Tecnología de la automatización
KW - Desarrollo vegetal
KW - Genética del desarrollo
KW - Visión artificial
KW - Cronobiología
KW - 3311.01 Tecnología de la Automatización
LA - spa
PB - Fernando Pérez Sanz
ER -