Dei siste åra har dyp læring gjort betydelege framsteg innan ulike felt, og no blir det òg nytta i planteundersøkingar. Integreringa av dyp læringsteknikkar med punktskyar har vist seg å gje bemerkelsesverdig framgang i 3D-segmentering av plantevekst. I motsetning til tradisjonelle 2D-metodar, som har møtt utfordringar med å oppfatte djupna nøyaktig og avgjere strukturar, har 3D-biletering løyst desse utfordringane og gitt betre analyse av fenotypiske eigenskapar hos plantar.
Ein av utfordringane med 3D-biletering er behovet for å merke kvar enkelt punkt i bilete, noko som er ei tidkrevande og kostbar oppgåve. For å takle dette har forskarar utforska bruken av tilsynslæringsmodellar som krev færre merka punkt.
Ein nyleg studie kalla Eff-3DPSeg: 3D Organ-Level Plant Shoot Segmentation Using Annotation-Efficient Deep Learning presenterer ein svakt tilsynslært dyp læringsramme for segmentering av planteorgan. Forskarane utvikla denne rammen ved å nytte ein Multi-view Stereo Pheno Platform (MVSP2) for å skaffe punktskyar frå enkelte plantar. Desse punktskyane vart deretter merka ved hjelp av eit Meshlab-basert Plant Annotator (MPA).
Rammen omfattar to hovudsteg. Først rekonstruerte forskarane høgoppløyste punktskyar av soyabønneplanter ved hjelp av eit økonomisk fotogrammetrisystem. Dei utvikla òg Meshlab-basert Plant Annotator for å merke punktskyane til plantane. Deretter nytta dei ein svakt tilsynslært dyp læringsmetode for segmentering av planteorgan. Modellen vart føresettrena med berre omtrent 0,5 prosent av merka punkt og fininnstilt ved å bruke Viewpoint Bottleneck-loss til å lære ei indre strukturrepresentasjon frå rå punktskyar. Frå det segmenterte planteorgelet vart tre fenotypiske eigenskapar trekte ut: lengda og breidda på blada og diameteren på stilken.
For å evaluere ytelsen til rammen, testa forskarane ho på ulike vekststadier ved hjelp av eit stort soyabønne-spatiotemporal datasett og samanlikna resultata med fullstendig merka teknikkar på tomat- og soyabønneplanter. Medan resultatet for segmentering av stilken og blada generelt var nøyaktig, vart det observert nokre feilklassifiseringar ved bladkantane og krysspunkt. Tilnærminga presterte òg betre på mindre komplekse plantestrukturar og oppnådde høgare nøyaktigheit med større treningssett. Særleg kvantitative resultater viste betydelege forbetringar samanlikna med grunnlinjeteknikkar, særleg i mindre tilsynslærte miljø.
Tross desse framstega møtte studien grenser som manglande data og behovet for særskild opplæring for ulike segmenteringsoppgåver. Forskarane erkjente desse avgrensingane og understreka behovet for framtidig vidareutvikling av rammen, inkludert utviding til ein breiare rekke planteklassifikasjonar og vekstfasar.
Til slutt representerer Eff-3DPSeg-rammen ein betydeleg framgang innan 3D-segmentering av plantevekst. Den effektive merkingsprosessen og dei nøyaktige segmenteringsevna har potensiale til å forbetre høgkapasitetsstudiar av planter. Vidare overvinn Eff-3DPSeg utfordringane med dyre og tidkrevande merkingsprosessar ved å nytte svakt tilsynslært dyp læring og innovative merkingsteknikkar. Denne ramma opnar vegen for framtidige utviklingar innan feltet plante-segmentering og -analyse.
The source of the article is from the blog karacasanime.com.ve