Высокопроизводительный метод искусственного интеллекта для подсчета листьев

[ad_1]

Высокопроизводительный метод искусственного интеллекта для подсчета листьев

Слева направо, учитывая все больше и больше факторов в конвейере моделирования с использованием D3P (в верхнем столбце), смоделированное изображение становилось все более и более реалистичным (в нижнем столбце). Кредит: Феномика растений

В зерновых культурах количество новых листьев, образуемых каждым растением, используется для изучения периодических событий, составляющих биологический жизненный цикл урожая. Традиционный метод определения числа листьев включает ручной подсчет, который является медленным, трудоемким и обычно связан с большими неопределенностями из-за малого размера выборки. Таким образом, трудно получить точную оценку некоторых признаков путем ручного подсчета листьев.

Однако традиционные методы были усовершенствованы с помощью технологий. Глубокое обучение позволило использовать алгоритмы обнаружения и сегментации объектов для оценки количества растений (и листьев на этих растениях) в определенной области. Однако существует препятствие для использования этих алгоритмов. Они считают кончики листьев, которые на изображениях кажутся крошечными, и их трудно обнаружить. Следовательно, методы глубокого обучения часто не работают в реальных полевых условиях.

Стремясь решить эту проблему, международная исследовательская группа разработала самоконтролируемый метод подсчета кончиков листьев, основанный на методах глубокого обучения, который позволяет с высокой точностью подсчитывать количество листьев пшеницы. Исследование проводилось под руководством профессора Шоуян Лю из Нанкинского сельскохозяйственного университета и было опубликовано в Интернете в Феномика растений 20 марта 2023 г.

Говоря об их работе, профессор Лю говорит: «Мы разработали высокопроизводительный метод подсчета количества листьев на растениях пшеницы путем определения кончиков листьев на изображениях RGB (красный-зеленый-синий). Платформа цифрового фенотипирования растений (D3P) был использован для моделирования большого и разнообразного набора данных RGB-изображений и соответствующих меток на кончиках листьев проростков пшеницы. Было создано более 150 000 изображений с более чем 2 миллионами меток».

Исследователи использовали адаптацию предметной области, при которой нейронная сеть, обученная на «исходном» наборе данных, применяется к «тестовому» набору данных, также называемому «целевым» набором данных. Это было достигнуто с помощью методов глубокого обучения, которые имитируют нейронные процессы, используемые человеческим мозгом, и используют алгоритмы, вдохновленные его структурой и функциями.

Затем исследователи собрали 2763 RGB-изображения полей молодой пшеницы из 11 мест, расположенных в пяти странах. Для создания надежного исходного набора данных использовались различные меры: использовались различные типы камер, различные углы съемки и изображения с различным фоном почвы/условиями освещения. Помимо захвата изображений поля, команда также создала смоделированные изображения пшеницы, которые были автоматически аннотированы с помощью D3P. Адаптация домена использовалась для повышения реалистичности этих изображений, которые затем использовались для обучения моделей глубокого обучения.

В этом исследовании использовались шесть комбинаций моделей глубокого обучения и методов адаптации предметной области; модель Faster-RCNN с методом адаптации CycleGAN продемонстрировала наилучшую производительность. Об этом свидетельствовал его высокий коэффициент детерминации (R2 = 0,94) — мера, определяющая качество подгонки модели, — и оптимальная среднеквадратическая ошибка (RMSE = 8,7) — стандартный способ измерения ошибки модели при прогнозировании количественных данных.

Более того, из трех факторов, оцениваемых для эффективности моделей подсчета листьев, условия освещения оказались наиболее важными. С другой стороны, было обнаружено, что текстура листьев и яркость почвы менее важны для производительности, но было обнаружено, что комбинация всех трех факторов значительно повышает реалистичность изображений. Результаты также показали, что для обеспечения точной идентификации кончиков листьев требуется пространственное разрешение выше 0,6 мм на пиксель.

Объясняя последствия своего исследования, профессор Лю говорит: «Предложенный в результате метод глубокого обучения кажется очень привлекательным, поскольку он устраняет утомительную, дорогостоящую и иногда неточную ручную задачу маркировки путем имитации изображений, для которых метки генерируются автоматически. Изображения были также стал более реалистичным с использованием методов адаптации предметной области».

Исследовательская группа сделала обученные сети доступными здесь, чтобы облегчить дальнейшие исследования в этой области.

Больше информации:
Yinglun Li et al, Фенотипирование растений с самоконтролем путем сочетания адаптации домена с моделированием 3D-моделей растений: применение для подсчета листьев пшеницы на стадии проростков, Феномика растений (2023). DOI: 10.34133/plantphenomics.0041

Предоставлено Нанкинским сельскохозяйственным университетом.

Цитата: Высокопроизводительный метод ИИ для подсчета листьев (26 апреля 2023 г.), полученный 26 апреля 2023 г. с https://phys.org/news/2023-04-high-throughput-ai-method-leaf.html.

Этот документ защищен авторским правом. За исключением любой честной сделки с целью частного изучения или исследования, никакая часть не может быть воспроизведена без письменного разрешения. Контент предоставляется только в ознакомительных целях.



[ad_2]

Source link

(Посещений всего:2 times, 1)

Вячеслав

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Next Post

Археологи в Перу нашли 1000-летнюю мумию подростка, завернутую в сверток

Чт Апр 27 , 2023
[ad_1] Археологи в Перу нашли 1000-летнюю мумию подростка, завернутую в сверток Археологи обнаружили мумию возрастом более 1000 лет на окраине столицы Перу Лимы. Мумифицированный подросток был завернут в погребальный узел с керамическими предметами, веревкой, кусочками кожи и волос рядом и найден в подземной гробнице. Археологи считают, что мумия, найденная на […]
Археологи в Перу нашли 1000-летнюю мумию подростка, завернутую в сверток

Вам может понравиться