Wie Deep Learning mühsame landwirtschaftliche Aufgaben vereinfachen kann

Die selektive Züchtung von Getreide ist einer der Hauptgründe für die hervorragenden Erträge domestizierter Pflanzen. Die Auswahl der besten Kandidaten für die Zucht ist jedoch eine bemerkenswert komplexe Aufgabe. Einerseits erfordert es einen erfahrenen Züchter mit geschultem Auge, um die Pflanzenresistenz gegen Krankheiten und Schädlinge, das Pflanzenwachstum und andere Faktoren zu beurteilen. Andererseits bedarf es auch präziser werkzeuggestützter Messungen wie Korngröße, Masse und Qualität.

Obwohl alle diese Standardmaße nützlich sind, berücksichtigt keine davon die Anzahl der Rispen oder „Köpfe“ pro Pflanze. Die Kopfdichte hängt in den meisten Fällen eng mit dem Ernteertrag zusammen und könnte leicht ein grundlegendes Merkmal sein, das in Zuchtprogrammen gemessen werden muss. Das Abschätzen der Köpfe pro Pflanze und pro Flächeneinheit ist jedoch sehr zeitaufwändig und erfordert mühsame Handarbeit.

Um dieses Problem anzugehen, haben viele Forscher Modelle für maschinelles Lernen entwickelt, die automatisch einzelne Köpfe auf Getreidepflanzen in Bildern erkennen können, die entweder in Bodennähe oder von Drohnen aufgenommen wurden.

Während diese Modelle darauf abzielen, den ansonsten manuellen Zählprozess vor Ort zu vereinfachen, werden sie in der Realität normalerweise unter begrenzten Testbedingungen trainiert und konzentrieren sich ausschließlich auf die Kopferkennung, ohne weitere Metriken bereitzustellen. Mit anderen Worten, die Verwendung dieser Modelle außerhalb des Kontexts, in dem sie entwickelt und trainiert wurden, kann schwierig, langwierig und sogar zu schlechten Ergebnissen führen.

Vor diesem Hintergrund versuchte ein Forschungsteam, dem Professor Scott Chapman von der University of Queensland, Australien, angehörte, Deep-Learning-Modelle für die Mitarbeiterzählung zu fördern, indem es eine detaillierte Pipeline bereitstellte, die deren Verwendung umreißt. Wie in ihrem kürzlich veröffentlichten Artikel erläutert Pflanzenphänomikdeckt diese Pipeline die meisten Macken und Herausforderungen ab, die bei der Verwendung dieser Modelle auftreten können.

„Wir haben verschiedene reale Variablen berücksichtigt, darunter Datenvorbereitung, Modellvalidierung, Inferenz und die Ableitung ertragsspezifischer Metriken“, erklärt Chapman, „unser Ziel war es, eine praktische und durchgängige Pipeline für die Kopferkennung zu skizzieren in Hirse.“

Es gibt zwei Varianten der vorgeschlagenen Pipeline, die anhand von zwei unabhängigen anschaulichen Experimenten demonstriert werden. Im ersten zeigen die Forscher, wie man vorgehen sollte, wenn man Trainings-, Test- und Validierungsdatensätze für ein gegebenes Machine-Learning-Modell von Grund auf neu erstellen muss. Dies ist in der Regel der Fall, wenn öffentlich verfügbare Datensätze für das Zielgebiet nicht geeignet sind, was beispielsweise passieren kann, wenn es sich um ein anderes Stadium der Pflanzenentwicklung handelt als die verfügbaren Datensätze.

Im zweiten Experiment demonstriert das Team die Schritte, die erforderlich sind, um verschiedene vortrainierte Deep-Learning-Modelle für die Erkennung und/oder Zählung von Sorghumköpfen zu verwenden. Sie demonstrieren, wie die Erkennungsergebnisse (d. h. die Ausgabe von Modellen, die nur die Sorghumköpfe auf einem Satz vorgegebener Bilder umreißen) zu größeren Mosaikbildern „zusammengefügt“ werden können. Dadurch lassen sich große Flächen leichter beobachten und analysieren sowie wichtige Kennzahlen wie Kopfdichte pro Fräsreihe oder pro Quadratmeter berechnen.

„Unsere Pipeline produziert eine hochauflösende Kopfdichtekarte, die für die Diagnose der agronomischen Variabilität innerhalb eines Feldes verwendet werden kann, ohne auf kommerzielle Software angewiesen zu sein“, betont Chapman.

Insgesamt wird diese Studie für Forscher und Personen, die in der Agrarindustrie tätig sind, gleichermaßen nützlich sein. Es erklärt nicht nur, wie Deep-Learning-Modelle genutzt werden können, um Getreidepflanzen effizienter zu bewerten, sondern hilft auch dabei, neue Funktionen für mit Kameras ausgestattete Drohnen in der Landwirtschaft freizuschalten.

Bemerkenswert ist, dass die vorgeschlagene Pipeline neben Sorghum auch an andere Pflanzen angepasst werden könnte, wie Chapman bemerkt: „Obwohl wir unsere Pipeline in einem Sorghumfeld demonstriert haben, kann sie auf andere Getreidearten verallgemeinert werden. Bei zukünftigen Arbeiten beabsichtigen wir, unsere Pipeline zu testen Aufgaben mit anderen Getreidearten, wie Weizen- und Maisertragsschätzung.“