Plantlia: app gratuita de Android para medición de área foliar y color con escalamiento automático
Barra lateral del artículo
Contenido principal del artículo
Resumen
Hay una gran cantidad de apps disponibles para diferentes estudios biológicos, sin embargo, aplicaciones mobiles para la medición de plantas, específicamente para condiciones de campo, son limitadas. Además, existe la necesidad de crear grandes conjuntos de datos de entrenamiento para aplicaciones de aprendizaje automático. Una aplicación gratuita llamada Plantlia, que está disponible para descargar desde Google Play Store, tiene como objetivo resolver esto con una interfaz intuitiva y un método para escalar imágenes automáticamente usando homografía. Plantlia también incluye métodos para compartir resultados de mediciones directas o imágenes segmentadas. Este artículo tiene como objetivo describir algunas de las funciones de Plantlia, así como mostrar escenarios que muestran su desempeño. Se utilizaron imágenes de dispositivos móviles y de drones para su validación en diferentes dispositivos. Esto es importante, ya que significa que los usuarios con equipos de bajo costo, como drones sin información de GPS, pueden analizar información de campo localizada. De manera similar, los investigadores pueden hacer esfuerzos colectivos para compartir y recibir datos de campo para crear conjuntos de datos para aprendizaje automático.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
J. Schindelin, C. T. Rueden, M. C. Hiner, and K. W. Eliceiri, “The ImageJ ecosystem: An open platform for biomedical image analysis,” Mol. Reprod. Dev., vol. 82, no. 7–8, pp. 518–529, 2015, doi: 10.1002/mrd.22489.
G. Lobet, “Image Analysis in Plant Sciences: Publish Then Perish,” Trends Plant Sci., vol. 22, no. 7, pp. 559–566, Jul. 2017, doi: 10.1016/j.tplants.2017.05.002.
H. M. Easlon and A. J. Bloom, “Easy Leaf Area: Automated Digital Image Analysis for Rapid and Accurate Measurement of Leaf Area,” Appl. Plant Sci., vol. 2, no. 7, p. 1400033, Jul. 2014, doi: 10.3732/apps.1400033.
N. Petrellis, “A smart phone image processing application for plant disease diagnosis,” in 2017 6th International Conference on Modern Circuits and Systems Technologies (MOCAST), May 2017, pp. 1–4, doi: 10.1109/MOCAST.2017.7937683.
M. Müller-Linow, J. Wilhelm, C. Briese, T. Wojciechowski, U. Schurr, and F. Fiorani, “Plant Screen Mobile: an open-source mobile device app for plant trait analysis,” Plant Methods, vol. 15, no. 1, p. 2, Dec. 2019, doi: 10.1186/s13007-019-0386-z.
Z.-Q. Zhao, L.-H. Ma, Y. Cheung, X. Wu, Y. Tang, and C. L. P. Chen, “ApLeaf: An efficient android-based plant leaf identification system,” Neurocomputing, vol. 151, pp. 1112–1119, Mar. 2015, doi: 10.1016/j.neucom.2014.02.077.
D. G. Lowe, “Distinctive image features from scale-invariant keypoints,” Int. J. Comput. Vis., 2004, doi: 10.1023/B:VISI.0000029664.99615.94.
S. A. K. Tareen and Z. Saleem, “A comparative analysis of SIFT, SURF, KAZE, AKAZE, ORB, and BRISK,” in 2018 International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), Mar. 2018, pp. 1–10, doi: 10.1109/ICOMET.2018.8346440.
293 DG Lowe - US Patent 6, 711 and U. 2004, “Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image,” 2004.
G. Bradski and A. Kaehler, “The OpenCV Library,” Dr Dobbs J. Softw. Tools, vol. 3, no. 1, 2000, doi: 10.1111/0023-8333.50.s1.10.
A. Larrinaga and L. Brotons, “Greenness Indices from a Low-Cost UAV Imagery as Tools for Monitoring Post-Fire Forest Recovery,” Drones, vol. 3, no. 1, p. 6, Jan. 2019, doi: 10.3390/drones3010006.
D. G. Lowe, “Object recognition from local scale-invariant features,” in Proceedings of the Seventh IEEE International Conference on Computer Vision, 1999, pp. 1150–1157 vol.2, doi: 10.1109/ICCV.1999.790410.
M. Muja and D. G. Lowe, “FAST APPROXIMATE NEAREST NEIGHBORS WITH AUTOMATIC ALGORITHM CONFIGURATION,” in Proceedings of the Fourth International Conference on Computer Vision Theory and Applications, 2009, pp. 331–340, doi: 10.5220/0001787803310340.
M. A. Fischler and R. C. Bolles, “Random sample consensus,” Commun. ACM, vol. 24, no. 6, pp. 381–395, Jun. 1981, doi: 10.1145/358669.358692.
L. C. Ngugi, M. Abelwahab, and M. Abo-Zahhad, “Recent advances in image processing techniques for automated leaf pest and disease recognition – A review,” Inf. Process. Agric., vol. 8, no. 1, pp. 27–51, Mar. 2021, doi: 10.1016/j.inpa.2020.04.004.
S. Beucher, “Watershed, Hierarchical Segmentation and Waterfall Algorithm,” 1994, pp. 69–76.