Conjunto de Dados MultiÂngulo e MultiPose de Tomate para Fenotipagem de Alta Resolução

Por que Tomates e Câmeras Inteligentes Importam

Tomates não são apenas um item básico na salada; são uma das culturas mais importantes do mundo e um pilar da pesquisa em plantas. Melhoristas e pesquisadores examinam constantemente as plantas de tomate em detalhes — como as folhas crescem, quando as flores abrem, como os frutos mudam de cor — para criar variedades mais resistentes, saborosas e adaptáveis. Ainda assim, essa inspeção minuciosa costuma ser feita a olho nu, o que é lento, difícil de reproduzir e pode variar entre observadores. Este artigo apresenta o TomatoMAP, uma coleção extensa e cuidadosamente organizada de imagens de tomate que permite que computadores examinarem plantas por vários ângulos, ajudando a reduzir as incertezas humanas na avaliação das plantas.

Uma Nova Biblioteca de Imagens do Crescimento do Tomate

TomatoMAP é um conjunto de imagens abrangente focado no tomate cultivado, Solanum lycopersicum. Contém 68.080 fotografias coloridas cobrindo a vida de 101 plantas cultivadas em estufa ao longo de mais de cinco meses. Em vez de poucos instantâneos, cada planta foi fotografada repetidamente enquanto crescia, capturando estágios distintos como floração e maturação dos frutos. Para cada imagem, especialistas forneceram rótulos detalhados: caixas simples marcando sete regiões-chave de interesse — folhas, cachos de flores, cachos de frutos, brotos e outros — e etiquetas de estágio de desenvolvimento baseadas em uma escala padronizada comumente usada por agrônomos. Em um conjunto separado de imagens em close-up, botões, flores e frutos individuais foram contornados até o nível de pixels, permitindo análise extremamente detalhada.

Vendo as Plantas por Todos os Lados

Para coletar este conjunto de dados, os pesquisadores construíram uma estação de imagem dedicada que combina uma plataforma rotativa com quatro câmeras sincronizadas. Plantas de tomate cultivadas em condições controladas de estufa são colocadas na plataforma giratória, que rota em passos de 30 graus para completar uma volta. Em cada passo, câmeras posicionadas em quatro alturas e ângulos capturam imagens ao mesmo tempo, produzindo uma visão multângulo da mesma pose da planta. Ao longo de 163 dias, esse arranjo produziu mais de 64.000 imagens de resolução moderada para classificação de estágios de crescimento e detecção de órgãos, além de 3.616 close-ups de alta resolução para segmentação detalhada. Esse desenho multivista preserva a estrutura tridimensional — como sobreposição de folhas ou a disposição de cachos de flores e frutos — o que é difícil de captar com imagens únicas e planas.

Ensinando Computadores a Ler Traços de Plantas

TomatoMAP não é apenas uma galeria de fotos; é também um campo de testes para inteligência artificial moderna. A equipe treinou e avaliou modelos de visão computacional leves e rápidos, escolhidos por seu potencial de uso em tempo real em estufas. Uma rede compacta de classificação de imagens aprendeu a atribuir estágios de crescimento das plantas. Um modelo eficiente de detecção de objetos aprendeu a localizar partes da planta, como folhas, cachos de flores e cachos de frutos em cada quadro. Para as imagens em close-up, um modelo de segmentação por instância traçou o contorno preciso de botões, flores e frutos individuais, distinguindo entre estágios iniciais e tardios de desenvolvimento com base no tamanho e na cor. Os autores mostram que esses modelos atingem alta acurácia, especialmente para flores e frutos maiores, e podem rodar rápido o suficiente para serem práticos em monitoramento contínuo.

Construindo um Fluxo de Trabalho Digital Passo a Passo

Para tornar a fenotipagem automatizada mais confiável, os pesquisadores projetaram um fluxo de trabalho “em cascata” com três níveis. Primeiro, os dados são organizados desde imagens simples de planta inteira até segmentações detalhadas. Segundo, os modelos são dispostos em cadeia: um classificador de estágio de crescimento orienta quais plantas ou pontos no tempo são encaminhados para um detector, que então destaca as regiões mais relevantes para o modelo de segmentação refinar. Finalmente, as saídas de todos os modelos são combinadas em uma descrição consolidada das características de cada planta, como quantos frutos estão presentes e em que estágios se encontram. Ao estruturar tanto os dados quanto os modelos dessa forma, erros têm menor probabilidade de se acumular, e cada etapa pode ser aprimorada ou substituída sem reconstruir todo o sistema.

Quão Bem as Máquinas se Comparam aos Olhos Humanos

Como especialistas humanos nem sempre concordam entre si, a equipe verificou cuidadosamente o grau de alinhamento entre modelos de IA e especialistas. Compararam centenas de imagens rotuladas de forma independente por cinco especialistas e por um modelo de detecção treinado. Usando uma medida padrão de concordância, tanto as comparações entre especialistas quanto entre IA e especialista mostraram consistência “quase perfeita”. Isso sugere que, ao menos para as estruturas e estágios estudados aqui, os métodos automatizados podem igualar a confiabilidade de observadores humanos treinados, evitando fadiga e inconsistência.

O Que Isso Significa para as Culturas do Futuro

TomatoMAP demonstra que, com a configuração de imagem adequada e anotações cuidadosas, computadores podem acompanhar o crescimento do tomate em detalhes ricos a partir de múltiplos ângulos, e fazê-lo de maneira que replica de perto o julgamento de especialistas. Para melhoristas e produtores, isso abre a porta para triagens mais rápidas e objetivas de novas variedades e condições de cultivo, desde avaliar a carga de frutos até identificar diferenças sutis na arquitetura das plantas. Embora alguns órgãos das plantas continuem mais difíceis de capturar perfeitamente e seja necessário mais trabalho para adaptar modelos a dispositivos específicos, esse conjunto de dados estabelece uma base para fenotipagem digital escalável e com menos vieses, que poderia, eventualmente, ajudar a levar culturas mais resistentes e produtivas de experimentos em estufa à mesa.

Citação: Zhang, Y., Struckmeyer, S., Kolb, A. et al. Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping. Sci Data 13, 309 (2026). https://doi.org/10.1038/s41597-026-06926-9

Palavras-chave: fenotipagem de tomate, imagem de plantas, conjunto de dados multivista, visão computacional na agricultura, melhoramento de culturas