Das Streben nach einer effizienten 3D-Segmentierung von Pflanzensprossen, die für die Extraktion phänotypischer Merkmale von Pflanzen von entscheidender Bedeutung ist, hat die Integration von Deep Learning mit Punktwolken vorangetrieben. Herkömmliche 2D-Methoden sind zwar weit verbreitet, stoßen jedoch auf Herausforderungen bei der Tiefenwahrnehmung und Strukturbestimmung. Das Aufkommen der 3D-Bildgebung hat diese Einschränkungen überwunden und eine verbesserte Merkmalsanalyse ermöglicht.
Die aktuelle Forschungslandschaft wird jedoch durch die Notwendigkeit einer umfassenden punktuellen Annotation in Deep-Learning-Modellen behindert, ein Prozess, der sowohl kostspielig als auch zeitaufwändig ist. Die Bewältigung dieser Probleme, insbesondere durch die Entwicklung umfangreicher 3D-Datensätze und die Erforschung schwach überwachter Lernmodelle, stellt die entscheidende Grenze bei der Weiterentwicklung der Forschung zur Pflanzenphänotypisierung mit hohem Durchsatz dar.
In einem Studie mit dem Titel „Eff-3DPSeg: 3D Organ-Level Plant Shoot Segmentation Using Annotation-Efficient Deep Learning“, veröffentlicht in Pflanzenphänomikstellten die Forscher Eff-3DPSeg vor, ein schwach überwachtes Deep-Learning-Framework für die Segmentierung pflanzlicher Organe. Die Methodik beginnt mit der Erfassung von Punktwolken aus einzelnen Anlagen mithilfe einer Multi-View Stereo Pheno Platform (MVSP2). Diese Punktwolken werden mit einem Meshlab-basierten Plant Annotator (MPA) annotiert, was einen schwach überwachten Lernprozess ermöglicht.
Das Framework wurde an einem neu erstellten, gut beschrifteten groß angelegten räumlich-zeitlichen Datensatz für Sojabohnen getestet, der verschiedene Wachstumsstadien erfasste. Die Leistung des Frameworks wurde mit vollständig überwachten Methoden sowohl an Sojabohnen- als auch an Tomatenpflanzen verglichen. Die Ergebnisse zeigten eine robuste Verallgemeinerung und Genauigkeit bei der Stamm-Blatt-Segmentierung, wenn auch mit einigen Fehlklassifizierungen an Verbindungsstellen und Blatträndern.
Die Methode schnitt bei einfacheren Anlagenstrukturen besser ab und wies bei mehr Trainingsdaten eine höhere Genauigkeit auf. Quantitative Ergebnisse zeigten bei allen Metriken deutliche Verbesserungen gegenüber den Basismethoden, mit einer besseren Leistung in weniger überwachten Umgebungen. Bei der Segmentierung von Blattinstanzen erzielte das Framework vergleichbare Ergebnisse wie die vollständige Überwachung, stieß jedoch bei dichten Blättern und begrenzten Proben auf Herausforderungen. Mit zunehmenden Überwachungspunkten wurde eine verbesserte Segmentierungsgenauigkeit beobachtet.
Die Methode zeichnete sich durch hervorragende Ergebnisse bei der Extraktion phänotypischer Pflanzenmerkmale aus, wobei es aufgrund der Segmentierungsgenauigkeit und der Qualität der Punktwolken einige Leistungsunterschiede zwischen Soja- und Tomatenpflanzen gab. Trotz der vielversprechenden Ergebnisse war die Studie mit Einschränkungen wie Datenlücken und der Notwendigkeit separater Schulungen für verschiedene Segmentierungsaufgaben konfrontiert. Zukünftige Arbeiten zielen darauf ab, den Rahmen zu verfeinern, die Vielfalt der Pflanzenkategorien und Wachstumsstadien zu erhöhen und die Allgemeingültigkeit und Vielfalt der Methode zu verbessern.
Zusammenfassend stellt das Eff-3DPSeg-Framework einen bedeutenden Fortschritt in der 3D-Segmentierung von Pflanzensprossen dar. Die kostengünstige Datenerfassung, der effiziente Annotationsprozess und die robusten Segmentierungsfunktionen bergen großes Potenzial für die Verbesserung der Pflanzenphänotypisierung mit hohem Durchsatz und die Förderung einer intelligenten Landwirtschaft.
Mehr Informationen:
Liyi Luo et al., Eff-3DPSeg: 3D-Segmentierung von Pflanzensprossen auf Organebene mithilfe von annotationseffizientem Deep Learning, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0080
Bereitgestellt von Plant Phenomics