| dc.description.abstract |
A obtenção de dados morfológicos de maneira eficiente e precisa é crucial para o sucesso de qualquer programa de melhoramento genético vegetal, pois permite a identificação de atributos genéticos que podem ser associados a características desejáveis. Com batata-doce, não é diferente e a classificação do formato das folhas desempenha um papel fundamental na análise da diversidade morfológica, sendo essencial para identificar genótipos com potencial ornamental. Embora a literatura ofereça classes bem definidas, a atribuição de genótipos a essas classes ainda é um processo subjetivo e ineficiente quando realizado manualmente. Além disso, a classificação de características comerciais, como tamanho, sanidade, coloração e conformação, é uma prática comum em programas de melhoramento genético e instalações comerciais. No entanto, esse processo é vulnerável à subjetividade, depende intensamente de mão de obra, e apresenta limitações em termos de escalabilidade. A incorporação de modelos de aprendizado de máquina, juntamente com algoritmos de automação, oferece uma solução eficiente para essa tarefa, permitindo sua execução em alta velocidade através de técnicas de paralelização e gestão otimizada de recursos. Para fortalecer o cultivo da batata-doce, é necessário focar no desenvolvimento de genótipos superiores, o que requer melhorias na coleta de dados fenotípicos. Uma ferramenta promissora nesse contexto é o uso de imagens digitais para a obtenção de caracteres relacionados à produção e à qualidade. Diante desse cenário, o presente projeto propõe o desenvolvimento de um protocolo de fenotipagem de alto rendimento para a quantificação da diversidade genética, bem como para a caracterização e classificação de genótipos de batata-doce. Esse protocolo utilizou a morfometria de folhas e raízes com base em imagens digitais, por meio de uma ferramenta digital que permite a realização de múltiplas análises de forma rápida e acessível, facilitando sua aplicação em diferentes centros de pesquisa, sem exigir uma curva de aprendizado significativa. O código-fonte, juntamente com a documentação e instruções de uso, se encontram disponíveis no repositório GitHub https://github.com/NEPEM-UFSC/AIpomoea. |
pt_BR |
