An embedded deep learning approach for seed image segmentation
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La germinación de semillas es una de las etapas tempranas más críticas en el ciclo de vida de las plantas, influyendo directamente en el establecimiento de cultivos, la productividad y el suministro mundial de alimentos. Por lo tanto, la evaluación precisa y oportuna de la dinámica de germinación es esencial para programas de mejoramiento genético, control de calidad de semillas y agricultura de precisión. Sin embargo, los métodos actuales de monitoreo de germinación de semillas son manuales, subjetivos y poco escalables, lo que representa un cuello de botella crítico para el fenotipado agrícola preciso y de alto rendimiento. Esto dificulta la detección temprana de rasgos morfológicos esenciales para la predicción del rendimiento de cultivos y la seguridad alimentaria. Se necesitan soluciones automatizadas embebidas para ofrecer evaluaciones automatizadas reproducibles y de alta frecuencia en ambientes controlados. Aquí se introduce un enfoque basado en aprendizaje profundo para la segmentación semántica de etapas de germinación de semillas en imágenes de placas de Petri. Nuestra metodología emplea arquitecturas tipo U-Net mejoradas mediante una estrategia integral de aprendizaje por transferencia usando backbones pre-entrenados en ImageNet—específicamente MobileNetV2 y VGG16— donde los pesos del codificador fueron congelados mientras se entrenaban los decodificadores desde cero. Este enfoque se fortaleció aún más mediante aumentaciones geométricas y fotométricas en tiempo real para abordar la limitada cantidad de datos anotados. Para permitir el despliegue en dispositivos embebidos, los modelos fueron sometidos a cuantización completa post-entrenamiento de 8 bits enteros (INT8) y convertidos al formato TensorFlow Lite (TFLite) para ejecución en hardware de bajo consumo. Nuestro enfoque fue evaluado en un conjunto de datos de 1,578 imágenes anotadas manualmente, aumentadas en tiempo real a 2,807 muestras. El rendimiento, medido usando el coeficiente Dice, índice de Jaccard (IoU), sensibilidad, especificidad, precisión y precisión promedio media al 50% (mAP@50), mostró que el modelo óptimo—U-Net con un backbone MobileNetV2—alcanzó una puntuación Dice de ≈0.84 en la desafiante tarea de segmentación de 3 clases. La eficiencia del modelo fue evaluada mediante Cuadros Por Segundo (FPS), latencia y tamaño binario en una Raspberry Pi 3, donde los modelos cuantizados demostraron una reducción de tamaño de 3.5× y una inferencia 26% más rápida mientras mantenían precisión competitiva, validando la viabilidad del pipeline para monitoreo agrícola embebido.
Además, se incluyen modelos basados en aprendizaje por transferencia superaron a sus homólogos entrenados desde cero en hasta un +6,2 % en Dice y un +10,7 % en mAP@50. La mejor variante de U-Net alcanzó un rendimiento aproximado de 0,84 en Dice, 0,79 en Jaccard y 0,87 en mAP@50. Tras la cuantificación de INT8, los modelos TFLite se ejecutaron a 0,5 FPS con tamaños inferiores a 30 MB (3,5 veces más pequeños y un 26 % más rápidos que las versiones float32), lo que valida la viabilidad en monitoreo periódico en plataformas integradas. El flujo de trabajo integrado equilibra eficazmente la precisión de segmentación, la generalización y la eficiencia computacional, superando los métodos de detección y segmentación de referencia. Estos hallazgos demuestran la promesa de combinar el aprendizaje profundo con la computación de borde para la monitorización agrícola periódica y autónoma. Los trabajos futuros se centrarán en mejorar la generalización multiclase, la adaptación del dominio a imágenes de campo abierto y la integración de bucle cerrado para el seguimiento continuo de la viabilidad de las semillas (Texto tomado de la fuente).
Abstract
Seed germination is one of the most critical early stages in the plant life cycle, directly influencing crop establishment, productivity, and global food supply. Accurate and timely assessment of germination dynamics is therefore essential for breeding programs, seed quality control, and precision agriculture.
However, current seed germination monitoring methods are manual, subjective,and poorly scalable—posing a critical bottleneck for accurate, high-throughput agricultural phenotyping. This hinders the early detection of morphological traits essential for crop yield prediction and food security. Embedded, automated solutions are needed to deliver reproducible, high-frequency automated assessments in controlled environments.
Here, a deep learning-based approach for semantic segmentation of seed germination stages in Petri dish images is introduced. Our methodology employs U-Net style architectures enhanced by a comprehensive transfer learning strategy using ImageNet-pretrained backbones—specifically MobileNetV2 and VGG16—where the encoder weights were frozen while training the decoders from scratch. This approach was further strengthened by on-the-fly geometric and photometric augmentations to address limited annotated data. To enable edge deployment, models underwent full Integer 8-bit (INT8) post-training quantization and were converted to TensorFlow Lite (TFLite) format for execution on low-power hardware. Our approach was evaluated on a dataset of 1,578 manually annotated images, augmented on-the-fly to 2,807 samples. Performance, measured using Dice coefficient, Jaccard index (IoU), sensitivity, specificity, precision, and mean average precision at 50% (mAP@50), showed that the optimal model—U-Net with a MobileNetV2 backbone—achieved a Dice score of ≈0.84 in the challenging 3-class segmentation task. Model efficiency was assessed via Frames Per Second (FPS), latency, and binary size on a Raspberry Pi 3, where quantized models demonstrated a 3.5× size reduction and 26% faster inference while maintaining competitive accuracy, validating the pipeline’s feasibility for embedded agricultural monitoring.
Also, transfer-learning-based models are used to outperform scratch-trained counterparts by up to +6.2% in Dice and +10.7% in Mean Average Precision at 50% (mAP@50). The best U-Net variant achieved Dice ≈ 0.84, Jaccard ≈ 0.79, and mAP@50 ≈ 0.87. After Integer 8-bit (INT8) quantization, TensorFlow Lite (TFLite) models ran at 0.5 Frames Per Second (FPS) with sizes under 30 MB—3.5× smaller and 26% faster than float32 versions—validating periodic monitoring on embedded platforms.
Our integrated pipeline effectively balances segmentation accuracy, generalization, and computational efficiency, surpassing baseline detection and segmentation methods. These findings demonstrate the promise of combining deep learning with edge computing for autonomous, periodic agricultural monitoring. Future work will target improved multi-class generalization, domain adaptation to openfield imagery, and closed-loop integration for continuous seed viability tracking.
Descripción
graficas, ilustraciones, tablas
Palabras clave propuestas
Seed Germination; Semantic segmentation; Deep learning; Transfer learning; Embedded systems; Seeds; TFLite quantization; Edge artificial intelligence (AI); Computer vision in agriculture; Germinación de semillas; Segmentación semántica; Aprendizaje profundo; Aprendizaje por transferencia; Sistemas embebidos; Semillas; Cuantización TFLite; IA de borde; Visión artificial en la agricultura