Metoda AI zwiększa efektywność liczenia papierów

W uprawach zbóż liczba nowych liści wytwarzanych przez każdą roślinę jest wykorzystywana do badania cyklicznych zdarzeń składających się na biologiczny cykl życia uprawy. Tradycyjna metoda określania liczby liści obejmuje liczenie ręczne, które jest powolne, pracochłonne i zwykle wiąże się ze znaczną niepewnością ze względu na małą wielkość próby. Dlatego trudno jest uzyskać dokładne oszacowanie niektórych cech poprzez ręczne liczenie liści.

Jednak tradycyjne metody zostały ulepszone dzięki technologii. Głębokie uczenie umożliwiło wykorzystanie algorytmów wykrywania obiektów i segmentacji do oszacowania liczby roślin (i liści na tych roślinach) na danym obszarze. Istnieje jednak przeszkoda w stosowaniu tych algorytmów. Liczą czubki liści, które na zdjęciach wyglądają na małe i trudno je dostrzec. Dlatego metody głębokiego uczenia często nie sprawdzają się w rzeczywistych warunkach terenowych. Aby rozwiązać ten problem, międzynarodowy zespół badawczy opracował samodzielnie nadzorowaną metodę liczenia wierzchołków liści, opartą na technikach głębokiego uczenia się, która pozwoliła zliczyć liście pszenicy z dużą dokładnością. Badanie było prowadzone przez profesora Shuyang Liu z Nanjing Agricultural University i zostało opublikowane online w Fenomika roślin 20 marca 2023 r.

Mówiąc o swojej pracy, prof. Liu mówi: „Opracowaliśmy wysokowydajną metodę liczenia liczby liści na roślinach pszenicy poprzez wykrywanie końcówek liści na obrazach RGB (czerwono-zielono-niebieskich).” Cyfrowe fenotypowanie roślin (D3P ) została wykorzystana do symulacji grupy dużych i różnorodnych danych obrazów RGB i znaczników końcówek liści odpowiadających sadzonkom pszenicy. Wygenerowano ponad 150 000 obrazów z ponad 2 milionami etykiet.

Naukowcy zastosowali warunkowanie domenowe – w którym sieć neuronowa przeszkolona na „źródłowym” zbiorze danych jest stosowana do „testowego” zestawu danych, zwanego również „docelowym” zbiorem danych. Osiągnięto to dzięki technikom głębokiego uczenia się, które symulują procesy neuronowe wykorzystywane przez ludzki mózg i wykorzystują algorytmy inspirowane ich strukturą i funkcją.

Następnie naukowcy zebrali 2763 obrazy RGB młodych pól pszenicy z 11 miejsc w pięciu krajach. Do stworzenia solidnego i wiarygodnego zestawu danych źródłowych wykorzystano różnorodne wskaźniki — różne typy kamer, różne kąty fotografowania i obrazy z różnym tłem gleby/warunkami oświetlenia. Oprócz robienia zdjęć pól, zespół stworzył również symulowane obrazy pszenicy, które zostały automatycznie opatrzone adnotacjami za pomocą D3P. Do poprawy realizmu tych obrazów wykorzystano warunkowanie domeny, które następnie wykorzystano do trenowania modeli głębokiego uczenia się.

W tym badaniu wykorzystano sześć zestawów modeli głębokiego uczenia się i technik kondycjonowania domeny; Model Faster-RCNN z adaptacyjną technologią CycleGAN wykazał najlepszą wydajność. Świadczy o tym wysoki współczynnik determinacji (R² = 0,94) – miara dopasowania modelu – oraz Root Optimum Square Error (RMSE = 8,7) – standardowy sposób pomiaru błędu modelu w przewidywaniu danych ilościowych.

Co więcej, spośród trzech czynników ocenianych pod kątem wydajności modeli liczenia liści, stwierdzono, że warunki oświetlenia mają ogromne znaczenie. Z drugiej strony stwierdzono, że tekstura liści i jasność gleby mają mniejsze znaczenie dla wydajności, ale stwierdzono, że połączenie wszystkich trzech czynników znacznie poprawia realizm obrazów. Wyniki ujawniły również, że wymagana jest rozdzielczość przestrzenna wyższa niż 0,6 mm na piksel, aby zapewnić dokładną identyfikację końcówek liści.

Wyjaśniając implikacje swoich badań, profesor Liu wyjaśnia: „Zaproponowana w rezultacie metoda głębokiego uczenia się wygląda bardzo atrakcyjnie, ponieważ eliminuje żmudne, kosztowne i czasami nieprecyzyjne ręczne etykietowanie poprzez symulowanie obrazów, dla których etykiety są generowane automatycznie”. stały się bardziej realistyczne przy użyciu technik warunkowania polowego.

Zespół badawczy udostępnił trenowane sieci https://github.com/YinglunLi/Wheat-leaf-tip-detection Aby ułatwić dalsze badania w tej dziedzinie. Uznanie dla zespołu za ich godny uwagi wkład!