_ Progrese în detectarea vârfurilor de seră cu învățare profundă pentru analiza îmbunătățită a trăsăturilor fenotipice

Extracția precisă a trăsăturilor fenotipice din datele de imagine este esențială pentru cercetarea culturilor de cereale, dar detectarea vârfurilor în sere este o provocare din cauza asemănărilor de mediu și fizice dintre vârfuri și frunze. Eforturile recente includ creșterea rezoluției imaginii și a dimensionalității caracteristicilor și dezvoltarea rețelelor neuronale, cum ar fi SpikeSegNet, pentru a îmbunătăți detectarea vârfurilor. Cu toate acestea, aceste metode se luptă să localizeze cu precizie vârfurile mici și sunt necesare progrese suplimentare în reglarea rețelelor neuronale și modele noi de detectare pentru a depăși eficient aceste provocări de detectare a vârfurilor.

În ianuarie 2024, Plant Phenomics a publicat un articol de cercetare intitulat „Detecția vârfurilor de mare capacitate în culturile de cereale cultivate în seră cu mecanisme de atenție bazate pe modele de învățare profundă.”

În acest studiu, au fost implementate trei rețele neuronale profunde (DNN) - FRCNN, FRCNN-A și Swin Transformer și instruit pentru detectarea vârfurilor în culturile de cereale. Rețelele au fost optimizate folosind optimizatorul SGD, timpii de antrenament variind între modele; FRCNN necesita 900 până la 1200 de epoci, FRCNN-A 800 până la 1000 de epoci și Swin Transformer 2500 până la 3000 de epoci. O strategie dinamică a ratei de învățare a fost utilizată pentru a optimiza convergența modelului, demonstrând eficacitatea modelelor în detectarea vârfurilor de dificultate variabilă, în special în cadrul masei dense a frunzelor.

Rezultatele au arătat că Swin Transformer a depășit celelalte modele în termeni de acuratețe fără transformarea sau creșterea datelor. Modelul FRCNN-A, mărit cu un modul de atenție, a arătat o îmbunătățire semnificativă față de FRCNN original, evidențiind potențialul de îmbunătățiri ulterioare în arhitectura FRCNN-A. Capacitatea modulului de atenție de a surprinde contextul ierarhic al regiunilor de interes a fost remarcată în special pentru eficacitatea sa în detectarea modelelor de vârf provocatoare.

Instruirea pe nouă seturi de date din două facilități de fenotipizare a arătat că toate modelele s-au îmbunătățit în precizie, deoarece conținutul original al imaginii din seturile de antrenament a crescut. Swin Transformer a demonstrat cea mai mare precizie medie medie (mAP) în diferite seturi de antrenament, indicând capacitatea sa superioară de a extrage caracteristici și de a detecta vârfurile. Cu toate acestea, studiul a evidențiat, de asemenea, că, în timp ce Swin Transformer oferă o precizie ridicată, FRCNN-A oferă o alternativă de antrenament mai eficientă și mai rapidă, în special benefică pentru seturile de date cu caracteristici similare.

Rezultatele au subliniat importanța Adaptabilitatea modelelor la imagini augmentate și performanța acestora pe un set de testare IPK specific, evidențiind potențialul acestor arhitecturi avansate de a îmbunătăți detectarea vârfurilor la soiurile mixte de grâu. Studiul a concluzionat că FRCNN-A modificată, cu numărul său redus de straturi convoluționale și adăugarea unui modul de atenție, împreună cu Swin Transformer cu o intensitate de calcul, reprezintă progrese semnificative în detectarea obiectelor la scară mică în scene optice complexe.

Aceste inovații promit o acuratețe și eficiență îmbunătățite în sarcinile de fenotipizare, deși compromisul dintre timpul de inferență și acuratețe rămâne o considerație pentru aplicațiile în timp real.

(Fluierul)