Нулевое обучение для фенотипирования кукурузных початков
Новое исследование представляет фреймворк на основе обучения с нулевой выборкой (ZSL) для фенотипирования кукурузных початков. Он позволяет извлекать геометрические признаки и оценивать урожайность как в лабораторных, так и в полевых условиях без необходимости переобучения модели.
Исследование, недавно опубликованное в Smart Agricultural Technology, возглавили профессора Чжан Мяо и У Бинфан из Института аэрокосмической информации Китайской академии наук (AIRCAS) в сотрудничестве с учёными из Университета Хубэй, Университета Квинсленда и Института сельскохозяйственных ресурсов и регионального планирования Китайской академии сельскохозяйственных наук.
Проблемы традиционных методов фенотипирования
Геометрические признаки початков кукурузы критически важны для программ селекции и оценки урожайности. Однако традиционные методы фенотипирования остаются трудоёмкими, дорогими и не обладают необходимой масштабируемостью для современного сельского хозяйства.
Существующие подходы на основе глубокого обучения часто требуют переобучения модели или корректировки параметров при применении к новым сортам кукурузы или условиям окружающей среды, что создаёт барьеры для неспециалистов, пользователей с ограниченными ресурсами и полевых применений.
Как работает новый ZSL-фреймворк
Чтобы решить эти проблемы, исследовательская группа разработала ZSL-фреймворк, интегрирующий модель обнаружения объектов с текстовым управлением (Grounding DINO), лёгкую сегментацию изображений и калиброванное извлечение геометрических признаков.
Используя текстовые промпты и семантические эмбеддинги, фреймворк предлагает масштабируемую и экономичную альтернативу трудоёмким ручным измерениям и требовательным к данным моделям с учителем. Исследователи отметили, что он продемонстрировал устойчивую работу на лабораторных и полевых наборах данных, охватывающих различные генотипы и эколого-географические регионы.
Ключевые результаты подчёркивают эффективность фреймворка: он достигает высокой точности в обнаружении (98%–100%), сегментации (средняя точность AP = 99.6%) и оценке признаков (коэффициент корреляции r > 0.95 для ключевых показателей), а также позволяет быстро прогнозировать урожайность (коэффициент детерминации R² до 0.93).
В исследовании выделены три основных преимущества нового подхода:
- Способность к обобщению: позволяет применять фреймворк к сортам кукурузы с разными генотипами и в различных экологических и географических условиях без переобучения.
- Совместимость: работает с изображениями, полученными с помощью обычных устройств, таких как смартфоны и сканеры, что позволяет собирать данные in situ при разном освещении и устраняет необходимость в строго контролируемых условиях.
- Лёгкий дизайн: значительно снижает вычислительные требования, облегчая расчёт признаков в реальном времени и развёртывание на периферийных устройствах.
Значение для сельского хозяйства и будущее применение
Эта полностью «нулевая» система эффективно заполняет разрыв между точными лабораторными измерениями и крупномасштабными полевыми применениями. Результаты не только предоставляют инструмент фенотипирования для селекции кукурузы, но и предлагают техническую поддержку для прогнозирования урожайности и управления точным земледелием. Путём корректировки промптов и параметров фреймворк также может быть адаптирован для фенотипического анализа других культур.