تطوير تقنية تعلم الآلة العميقة الفعالة لتقسيم النباتات ثلاثية الأبعاد
في السنوات الأخيرة ، حققت تقنية التعلم العميق تقدمًا كبيرًا في مجالات مختلفة ، والآن يتم استخدامها أيضًا في مجال الدراسات النباتية. إن دمج تقنيات التعلم العميق مع سحب النقاط قد أظهر تقدمًا ملحوظًا في تقسيم النباتات ثلاثية الأبعاد. على عكس الطرق التقليدية ثنائية الأبعاد ، التي واجهت صعوبات في تحديد العمق بدقة وتحديد الهياكل ، فإن التصوير ثلاثي الأبعاد قد تغلب على هذه القيود وقدم تحليلًا أفضل لصفات نباتية متوازية.
ومع ذلك ، فإن تحدياً واجهت تقنية التصوير ثلاثية الأبعاد هو الحاجة إلى تسمية كل نقطة في الصورة بعناية ، وهو مهمة تستغرق الكثير من الوقت وتكلفة. لمعالجة هذه المسألة ، كان الباحثون يستكشفون استخدام نماذج التعلم القائم على الإشراف التي تتطلب عددًا أقل من النقاط المميزة.
شملت دراسة حديثة تحمل عنوان Eff-3DPSeg: أفضل نموذج تعلم عميق غير محدد الإشراف لتقسيم نبات الجهاز ثلاثي الأبعاد استخدام منصة MVSP2 للتصوير الفوتوغراميتري من أجل الحصول على سحب نقاط من النباتات الفردية. تم تسمية هذه السحب بواسطة تطبيق Meshlab-based Plant Annotator (MPA).
يشتمل الإطار على خطوتين رئيسيتين. أولاً ، بنى الباحثون سحب نقاط عالية الدقة لنباتات الصويا باستخدام نظام التصوير الفوتوغراميتري بتكلفة منخفضة. كما وضعوا تطبيق Meshlab-based Plant Annotator لتسمية سحب النبات. ثم ، استخدموا طريقة تعلم عميق غير محددة الإشراف لتقسيم أعضاء النبات. تم تدريب النموذج مسبقاً باستخدام حوالي 0.5 بالمئة فقط من النقاط المميزة وتم ضبطه باستخدام خطأ Viewpoint Bottleneck لتعلم التمثيل البنيه الأساسية لسحب النقاط الخام. تم استخراج ثلاث صفات فيزيولوجية من الأعضاء النباتية المقسمة: طول وعرض الأوراق ، وقطر الساق.
لتقييم أداء الإطار ، قام الباحثون باختباره على مراحل النمو المختلفة باستخدام مجموعة بيانات كبيرة للصويا مكانية وزمنية وقارنوا النتائج بتقنيات التعلم المميز الكاملة في نباتات الطماطم والصويا. في حين أن نتائج تقسيم الساق والأوراق كانت دقيقة بشكل عام ، إلا أن بعض الأخطاء في التصنيف تم رصدها في حواف الأوراق ونقاط التقاطع. كما أن الطريقة أظهرت أداءً أفضل على الهياكل النباتية الأقل تعقيدًا وحققت دقة أكبر باستخدام مجموعات تدريب أكبر. تُظهر النتائج الكمية تحسينات كبيرة على تقنيات الأساس ، وخاصة في بيئات الإشراف الأقل.
على الرغم من هذه التطورات ، واجهت الدراسة قيودًا مثل عدم وجود بيانات وحاجة إلى تدريب منفصل لمهام التقسيم المختلفة. يقرون الباحثون بهذه القيود ويؤكدون على ضرورة تحسين الإطار في المستقبل ، بما في ذلك توسيعه لتشمل مجموعة أوسع من تصنيفات النباتات ومراحل النمو.
في الختام ، يمثل إطار Eff-3DPSeg تقدمًا كبيرًا في تقسيم نبات الجهاز ثلاثي الأبعاد. عملية التسمية الفعالة وقدرته الدقيقة على التقسيم لديها القدرة على تعزيز الكفاءة العالية في الدراسات النباتية. وعلاوة على ذلك ، من خلال استخدام تقنية التعلم العميق غير المحددة الإشراف وتقنيات التسمية المبتكرة ، يتجاوز Eff-3DPSeg التحديات المتعلقة بعمليات التسمية المكلفة والمستهلكة للوقت. يمهد هذا الإطار الطريق للتطورات المستقبلية في مجال تقسيم النبات والتحليل.
The source of the article is from the blog kewauneecomet.com