In de afgelopen jaren heeft deep learning significante vooruitgang geboekt op verschillende gebieden en nu wordt het ook toegepast in plantonderzoek. De integratie van deep learning technieken met puntenwolken heeft opmerkelijke vooruitgang laten zien bij de 3D-segmentatie van plantenschoten. In tegenstelling tot traditionele 2D-methoden, die uitdagingen hadden bij het nauwkeurig waarnemen van diepte en het bepalen van structuren, heeft 3D-beeldvorming deze beperkingen overwonnen en een betere analyse van plantenfenotypische eigenschappen mogelijk gemaakt.
Een van de uitdagingen van 3D-beeldvorming is echter de noodzaak om elk punt in de afbeelding zorgvuldig te labelen, wat een tijdrovende en kostbare taak is. Om dit probleem aan te pakken, hebben onderzoekers het gebruik van supervised learning modellen verkend die minder gelabelde punten vereisen.
Een recente studie genaamd Eff-3DPSeg: 3D Organ-Level Plant Shoot Segmentation Using Annotation-Efficient Deep Learning introduceert een weakly supervised deep learning framework voor plantenorgaansegmentatie. De onderzoekers hebben dit framework ontwikkeld door gebruik te maken van een Multi-view Stereo Pheno Platform (MVSP2) om puntenwolken van individuele planten te verkrijgen. Deze puntenwolken werden vervolgens geannoteerd met behulp van een Plant Annotator op basis van Meshlab (MPA).
Het framework bestaat uit twee hoofdstappen. Allereerst hebben de onderzoekers hoogwaardige puntenwolken van soja-planten gereconstrueerd met behulp van een kosteneffectief fotogrammetriesysteem. Ze hebben ook de Plant Annotator op basis van Meshlab ontwikkeld om de puntenwolken van de planten te annoteren. Vervolgens hebben ze een weakly supervised deep learning methode gebruikt voor de segmentatie van de plantenorganen. Het model werd voorgetraind met slechts ongeveer 0,5 procent van de gelabelde punten en daarna fijnafgestemd met behulp van de Viewpoint Bottleneck loss om intrinsieke structuurrepresentatie te leren van ruwe puntenwolken. Uit het gesegmenteerde plantenorgaan werden drie fenotypische eigenschappen geëxtraheerd: de lengte en breedte van bladeren en de diameter van de stengel.
Om de prestaties van het framework te evalueren, hebben de onderzoekers het getest op verschillende groeistadia met behulp van een grote soja-temporele dataset en de resultaten vergeleken met volledig gelabelde technieken voor tomaten- en sojaboonplanten. Hoewel de segmentatieresultaten van de stengel en bladeren over het algemeen nauwkeurig waren, werden er enkele verkeerde classificaties waargenomen bij de randen en kruispunten van de bladeren. De benadering presteerde ook beter op minder complexe plantenstructuren en bereikte een grotere nauwkeurigheid met grotere trainingssets. Opvallend genoeg toonden kwantitatieve resultaten significante verbeteringen ten opzichte van basistechnieken, vooral in minder gesuperviseerde omgevingen.
Ondanks deze vooruitgangen ondervond de studie beperkingen zoals ontbrekende gegevens en de noodzaak van afzonderlijke training voor verschillende segmentatietaken. De onderzoekers erkennen deze beperkingen en benadrukken de noodzaak van toekomstige verfijning van het framework, waaronder uitbreiding naar een breder scala aan plantenclassificaties en groeifasen.
Tot slot vertegenwoordigt het Eff-3DPSeg framework een belangrijke vooruitgang op het gebied van 3D-segmentatie van plantenschoten. De efficiënte annotatieprocedure en nauwkeurige segmentatiemogelijkheden hebben het potentieel om de doorvoer in plantenonderzoek te verbeteren. Bovendien overwint Eff-3DPSeg de uitdagingen van dure en tijdrovende labelprocessen door het gebruik van weakly supervised deep learning en innovatieve annotatietechnieken. Dit framework legt de basis voor toekomstige ontwikkelingen op het gebied van plantensegmentatie en -analyse.
The source of the article is from the blog revistatenerife.com