Высокопроизводительный ИИ-метод для подсчета листьев

Подсчет новых листьев у зерновых культур используется для изучения их жизненного цикла. Традиционный ручной подсчет медленный, трудоемкий и часто неточный из-за малых выборок.

Глубокое обучение позволило использовать алгоритмы детекции и сегментации для подсчета растений и листьев. Однако эти алгоритмы сталкиваются с проблемой: они считают кончики листьев, которые на изображениях выглядят крошечными и их сложно обнаружить, особенно в полевых условиях.

Международная исследовательская группа под руководством профессора Шоуяна Лю из Нанкинского сельскохозяйственного университета разработала метод подсчета кончиков листьев на основе самообучения (self-supervised) и глубокого обучения. Исследование опубликовано в Plant Phenomics 20 марта 2023 года.

Методология

• Для создания большого и разнообразного набора данных использовалась платформа Digital Plant Phenotyping (D3P). Было сгенерировано более 150 000 симулированных RGB-изображений проростков пшеницы с более 2 миллионами автоматически созданных меток (labels) для кончиков листьев.
• Для повышения реалистичности симулированных изображений применялась адаптация домена (domain adaptation) — техника, при которой нейросеть, обученная на "исходном" наборе данных, применяется к "целевому".
• Также было собрано 2 763 RGB-изображения молодых посевов пшеницы из 11 локаций в пяти странах с разными камерами, углами съемки, фоном и освещением.

Результаты

• Из шести комбинаций моделей глубокого обучения и методов адаптации домена лучшие показатели продемонстрировала модель Faster-RCNN с техникой адаптации CycleGAN.
• Ее эффективность подтверждается высоким коэффициентом детерминации (R² = 0.94) и оптимальной среднеквадратичной ошибкой (RMSE = 8.7).
• Из трех оцениваемых факторов (условия освещения, текстура листьев, яркость почвы) для производительности моделей наиболее важным оказалось освещение.
• Для точного определения кончиков листьев требуется пространственное разрешение выше 0.6 мм на пиксель.

Значение

По словам профессора Лю, предложенный метод привлекателен тем, что устраняет утомительную, дорогую и иногда неточную задачу ручной разметки, используя симулированные изображения с автоматически сгенерированными метками, реалистичность которых повышена методами адаптации домена.

Обученные нейронные сети выложены в открытый доступ для содействия дальнейшим исследованиям.