Eine Hochdurchsatz-KI-Methode zur Blattzählung

Bei Getreidekulturen wird die Anzahl neuer Blätter, die jede Pflanze produziert, verwendet, um die periodischen Ereignisse zu untersuchen, die den biologischen Lebenszyklus der Kulturpflanze bilden. Die herkömmliche Methode zur Bestimmung der Blattanzahl umfasst das manuelle Zählen, das langsam und arbeitsintensiv ist und aufgrund der kleinen Stichprobengrößen normalerweise mit großen Unsicherheiten verbunden ist. Es ist daher schwierig, genaue Schätzungen einiger Merkmale durch manuelles Zählen der Blätter zu erhalten.

Herkömmliche Verfahren wurden jedoch durch Technologie verbessert. Deep Learning hat die Verwendung von Objekterkennungs- und Segmentierungsalgorithmen ermöglicht, um die Anzahl der Pflanzen (und Blätter an diesen Pflanzen) in einem Gebiet abzuschätzen. Es gibt jedoch eine Hürde für die Verwendung dieser Algorithmen. Sie zählen Blattspitzen, die auf Bildern winzig erscheinen und sich als schwer zu erkennen erweisen. Folglich versagen Deep-Learning-Methoden unter realen Feldbedingungen oft.

Um dieses Problem zu lösen, entwickelte ein multinationales Forschungsteam eine selbstüberwachte Methode zum Zählen der Blattspitzen auf der Grundlage von Deep-Learning-Techniken, die eine hochgenaue Zählung der Weizenblätter ermöglichte. Die Studie wurde von Professor Shouyang Liu von der Nanjing Agricultural University geleitet und online in veröffentlicht Pflanzenphänomik am 20. März 2023.

Über ihre Arbeit sagt Prof. Liu: „Wir haben eine Hochdurchsatzmethode entwickelt, um die Anzahl der Blätter an Weizenpflanzen zu zählen, indem wir Blattspitzen in RGB-Bildern (Rot-Grün-Blau) erkennen.“ Die Digital Plant Phenotyping-Plattform (D3P) wurde verwendet, um einen großen, vielfältigen Datensatz von RGB-Bildern und entsprechenden Blattspitzenetiketten von Weizenpflanzensämlingen zu simulieren. Es wurden über 150.000 Bilder mit über 2 Millionen Etiketten generiert.”

Die Forscher verwendeten Domänenanpassung – bei der ein neuronales Netzwerk, das mit einem „Quell“-Datensatz trainiert wurde, auf einen „Test“-Datensatz angewendet wird, der auch als „Ziel“-Datensatz bezeichnet wird. Dies wurde durch Deep-Learning-Techniken erreicht, die neuronale Prozesse nachahmen, die vom menschlichen Gehirn verwendet werden, und Algorithmen verwenden, die von seiner Struktur und Funktion inspiriert sind.

Als nächstes sammelten die Forscher 2.763 RGB-Bilder von jungen Weizenfeldern von 11 Standorten in fünf Ländern. Es wurden verschiedene Maßnahmen ergriffen, um einen robusten und zuverlässigen Quelldatensatz zu erstellen – verschiedene Arten von Kameras, unterschiedliche Bildwinkel und Bilder mit unterschiedlichen Bodenhintergründen/Lichtverhältnissen wurden verwendet. Neben der Aufnahme von Feldbildern erzeugte das Team auch simulierte Weizenbilder, die mit dem D3P automatisch kommentiert wurden. Die Domänenanpassung wurde verwendet, um den Realismus dieser Bilder zu verbessern, die dann zum Trainieren der Deep-Learning-Modelle verwendet wurden.

In dieser Studie wurden sechs Kombinationen von Deep-Learning-Modellen und Domänenanpassungstechniken verwendet; das Faster-RCNN-Modell mit CycleGAN-Anpassungstechnik zeigte die beste Leistung. Dies zeigte sich an seinem hohen Bestimmtheitsmaß (R² = 0,94) – ein Maß, das die Anpassungsgüte eines Modells bestimmt – und der optimale mittlere quadratische Fehler (RMSE = 8,7) – eine Standardmethode zur Messung des Fehlers eines Modells bei der Vorhersage quantitativer Daten.

Darüber hinaus wurde festgestellt, dass von den drei Faktoren, die für die Leistung der Blattzählmodelle bewertet wurden, die Lichtverhältnisse von größter Bedeutung sind. Andererseits wurde festgestellt, dass die Blattstruktur und die Bodenhelligkeit für die Leistung weniger wichtig sind, aber die Kombination aller drei Faktoren hat den Realismus der Bilder erheblich verbessert. Die Ergebnisse zeigten auch, dass eine räumliche Auflösung von mehr als 0,6 mm pro Pixel erforderlich war, um eine genaue Identifizierung der Blattspitzen zu gewährleisten.

Prof. Liu erläutert die Implikationen ihrer Studie: „Die daraus resultierende vorgeschlagene Deep-Learning-Methode erscheint sehr attraktiv, da sie die mühsame, teure und manchmal ungenaue manuelle Beschriftungsaufgabe eliminiert, indem Bilder simuliert werden, für die die Beschriftungen automatisch generiert werden. Die Bilder waren auch durch Domänenanpassungstechniken realistischer gemacht.”

Das Forschungsteam hat die trainierten Netzwerke hier zur Verfügung gestellt, um die weitere Forschung in diesem Bereich zu erleichtern.