scholarly journals Validación de un algoritmo de procesamiento de imágenes Red Green Blue (RGB), para la estimación de proteína cruda en gramíneas vs la tecnología de espectroscopía de infrarrojo cercano (NIRS)

2020 ◽  
Vol 31 (2) ◽  
pp. e17940
Author(s):  
Oscar Ospina R. ◽  
Héctor Anzola Vásquez ◽  
Olber Ayala Duarte ◽  
Andrea Baracaldo Martínez

            El presente trabajo estuvo orientado a evaluar la precisión del algoritmo de análisis de imágenes Red, Green, Blue (RGB), incluido en el software TaurusWebs ®, que permite calcular el porcentaje de proteína cruda de la materia seca (%PC) de las gramíneas a partir de imágenes de las praderas tomadas por un dron acoplado con cámaras RGB. Se compararon las mediciones del %PC calculadas por el algoritmo frente a un referente, Near Infrared Reflectance Spectroscopy (NIRS), del laboratorio de Corpoica (Agrosavia), calibrado para gramíneas. Se tomaron 42 muestras para NIRS, 18 de gramíneas de trópico alto en Cundinamarca: kikuyo, Pennisetum clandestinum; falsa poa, Holcus lanatus; pasto brasilero, Phalaris arundinacea y 24 de trópico bajo en Tolima, Colombia: pangola, Digitaria decumbens; pará, Brachiaria mutica; bermuda, Cynodon dactylon y colosuana, Bothriochloa pertusa. Los resultados del NIRS se compararon contra las evaluaciones hechas con el algoritmo de las imágenes de las gramíneas provenientes del mismo potrero donde se tomaron las muestras. Los resultados fueron comparados usando las pruebas no paramétricas de correlación de Kendall, rho=0.83 y de Kruskal Wallis. No se encontraron diferencias entre el resultado del %PC de las gramíneas medida por NIRS vs el %PC medida por el algoritmo de análisis de imágenes RGB. En conclusión, la información generada con el algoritmo se puede utilizar para trabajos de análisis del %PC en gramíneas.

2021 ◽  
pp. 096703352110075
Author(s):  
Adou Emmanuel Ehounou ◽  
Denis Cornet ◽  
Lucienne Desfontaines ◽  
Carine Marie-Magdeleine ◽  
Erick Maledon ◽  
...  

Despite the importance of yam ( Dioscorea spp.) tuber quality traits, and more precisely texture attributes, high-throughput screening methods for varietal selection are still lacking. This study sets out to define the profile of good quality pounded yam and provide screening tools based on predictive models using near infrared reflectance spectroscopy. Seventy-four out of 216 studied samples proved to be moldable, i.e. suitable for pounded yam. While samples with low dry matter (<25%), high sugar (>4%) and high protein (>6%) contents, low hardness (<5 N), high springiness (>0.5) and high cohesiveness (>0.5) grouped mostly non-moldable genotypes, the opposite was not true. This outline definition of a desirable chemotype may allow breeders to choose screening thresholds to support their choice. Moreover, traditional near infrared reflectance spectroscopy quantitative prediction models provided good prediction for chemical aspects (R2 > 0.85 for dry matter, starch, protein and sugar content), but not for texture attributes (R2 < 0.58). Conversely, convolutional neural network classification models enabled good qualitative prediction for all texture parameters but hardness (i.e. an accuracy of 80, 95, 100 and 55%, respectively, for moldability, cohesiveness, springiness and hardness). This study demonstrated the usefulness of near infrared reflectance spectroscopy as a high-throughput way of phenotyping pounded yam quality. Altogether, these results allow for an efficient screening toolbox for quality traits in yams.


Sign in / Sign up

Export Citation Format

Share Document