Подсчёт колосьев: как глубокое обучение упрощает рутинные сельскохозяйственные задачи

Селекция зерновых культур — одна из главных причин высокой урожайности культурных растений. Однако отбор лучших кандидатов для селекции — сложная задача. С одной стороны, она требует опытного селекционера для визуальной оценки устойчивости растений к болезням и вредителям, роста и других факторов. С другой — необходимы точные инструментальные измерения, такие как размер, масса и качество зерна.

Хотя все эти стандартные измерения полезны, ни одно из них не учитывает количество метёлок или «колосьев» на одном растении. Плотность колосьев тесно связана с урожайностью, и её можно было бы использовать как ключевую характеристику в селекционных программах. Однако оценка количества колосьев на растение и на единицу площади очень трудоёмка и требует утомительной ручной работы.

Чтобы решить эту проблему, многие исследователи разрабатывают модели машинного обучения для автоматического обнаружения отдельных колосьев на изображениях, сделанных с земли или с дронов.

Хотя эти модели призваны упростить ручной подсчёт в поле, на практике они обычно обучаются в ограниченных условиях и фокусируются исключительно на обнаружении колосьев, не предоставляя дополнительных метрик. Использование таких моделей вне контекста, в котором они были разработаны и обучены, может быть сложным и давать плохие результаты.

Исследовательская группа под руководством профессора Скотта Чепмена из Университета Квинсленда (Австралия) решила продвинуть модели глубокого обучения для подсчёта колосьев, предоставив подробный план их использования. Как объясняется в их статье, недавно опубликованной в Plant Phenomics, этот план охватывает большинство проблем, с которыми можно столкнуться при использовании таких моделей.

«Мы учли различные переменные реального мира, включая подготовку данных, валидацию модели, вывод и получение метрик, специфичных для урожайности, — объясняет Чепмен. — Нашей целью было описать практичный и сквозной план для обнаружения колосьев сорго».

Предложенный план имеет два варианта, которые демонстрируются в двух независимых экспериментах. В первом исследователи показывают, как действовать, если необходимо с нуля подготовить наборы данных для обучения, тестирования и валидации модели машинного обучения. Это обычно требуется, когда общедоступные наборы данных не подходят для целевого поля, например, из-за другой стадии развития растений.

Во втором эксперименте команда демонстрирует шаги, необходимые для использования различных предварительно обученных моделей глубокого обучения для обнаружения и/или подсчёта колосьев сорго. Они показывают, как результаты обнаружения (т.е. выходные данные моделей, которые только выделяют колосья на изображениях) можно «сшить» в более крупные мозаичные изображения. Это позволяет легче наблюдать и анализировать большие площади и рассчитывать важные метрики, такие как плотность колосьев на рядок или на квадратный метр.

«Наш план создаёт высокодетализированную карту плотности колосьев, которую можно использовать для диагностики агрономической изменчивости в пределах поля без коммерческого программного обеспечения», — подчёркивает Чепмен.

В целом, это исследование будет полезно как учёным, так и специалистам сельскохозяйственной отрасли. Оно не только объясняет, как можно использовать модели глубокого обучения для более эффективной оценки зерновых культур, но и помогает раскрыть новые возможности для оснащённых камерами дронов в сельском хозяйстве.

Важно отметить, что предложенный план можно адаптировать и для других растений, кроме сорго. Как отмечает Чепмен: «Хотя мы продемонстрировали наш план на поле сорго, его можно обобщить для других зерновых видов. В будущих работах мы планируем протестировать наш план на задачах, связанных с другими зерновыми, такими как оценка урожайности пшеницы и кукурузы».