„CountShoots“ stellt fortschrittliche UAV- und KI-Techniken für die präzise Zählung von Kieferntrieben vor

In Südchina spielt die genetisch verbesserte Slash-Kiefer (Pinus elliottii) eine entscheidende Rolle bei der Holz- und Harzproduktion, wobei neue Triebdichte ein wichtiges Wachstumsmerkmal ist. Aktuelle manuelle Zählmethoden sind ineffizient und ungenau. Neue Technologien wie UAV-basierte RGB-Bildgebung und Deep Learning (DL) bieten vielversprechende Lösungen.

Allerdings stehen DL-Methoden bei der globalen Merkmalserfassung vor Herausforderungen, die zusätzliche Mechanismen erfordern. Innovationen wie der Vision Transformer und seine Derivate (z. B. TransCrowd, CCTrans) zeigen Potenzial für die Zählung von Pflanzenmerkmalen und bieten vereinfachte und effektivere Ansätze für eine groß angelegte und genaue Datenverarbeitung. Diese technologische Entwicklung bietet eine Chance für die Forschung zur automatisierten Erkennung neuer Triebe bei Schlagkiefern unter Verwendung dieser fortschrittlichen DL-Methoden.

Im Juli 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „CountShoots: Automatische Erkennung und Zählung neuer Triebe von Slash Pine mithilfe von UAV-Bildern.“ In dieser Studie wird das Slash Pine Shoot Counting Network (SPSC-net) vorgestellt, ein auf CCTrans basierendes Modell, das zum Zählen neuer Triebe von Slash Pine entwickelt wurde. Es enthält ein Funktionspyramidenmodul für eine genaue Zählung.

Bei der Erkennung von Schrägkiefern wurden Modelle wie YOLOv5, Efficientnet und YOLOX verglichen, wobei ein Schwellenwert von 0,5 für die Baumidentifizierung verwendet wurde. YOLOX zeigte eine überlegene Präzision, Erinnerung und durchschnittliche Präzision (AP), insbesondere bei einem höheren Schwellenwert von 0,75. Im Gegensatz dazu zeigte Faster-RCNN die niedrigste Leistung. Die manuelle Zählung von 26 Testbildern ergab, dass YOLOX eine geringere Falscherkennungsrate aufwies und EfficientNet nur minimal verfehlte Ziele aufwies.

YOLOX hat sich in komplexen und überlappenden Zielszenarien hervorgetan. Zur Erkennung neuer Triebe verglich die Studie ausgewogene und unausgeglichene OT-Frameworks und bewertete gleichzeitig verschiedene Umsetzungskostenmatrizen. Das perspektivisch geführte Modell zeigte die beste Leistung und bestätigte die Wirksamkeit der Nichtgleichgewichts-OT für die Dichteregression. SPSC-net erreichte die niedrigsten MSE- und MAE-Werte aller Modelle und übertraf damit DM-Count, CSR-net und MCNN. Streudiagramme und Dichtekarten zeigten die hohe Vorhersagegenauigkeit des SPSC-Netzes.

Auf dieser Grundlage entwickelte die Studie CountShoots, ein System zum Extrahieren und Zählen von Kiefernholz. Es ist auf dem Flask-Framework implementiert und bietet Module für Benutzerinteraktion, Modellladen, Pflanzenextraktion und Triebzählung. Der Prozess umfasst das Hochladen von Bildern, das Extrahieren von Pflanzendaten, das Zählen der Triebe und die Bereitstellung von Feedback zu den Ergebnissen – alles optimiert für den Benutzerkomfort. Die Studie bestätigte die Wirksamkeit des SPSC-Netzes bei der Multiskalen-Bildverarbeitung von Slash Pine.

YOLOX und SPSC-net wurden mit anderen Modellen verglichen und zeigten eine überlegene Erkennungs- und Zählgenauigkeit. Der Selbstaufmerksamkeitsmechanismus und die Feature-Pyramide-Fusion von SPSC-net ermöglichen eine detaillierte und semantisch reichhaltige Feature-Extraktion. Trotz seines Erfolgs sind Einschränkungen zu berücksichtigen, wie z. B. mögliche Hindernisse durch die Überdachungsschicht und Einschränkungen bei der Flughöhe des UAV.

Zusammenfassend wurde im Rahmen der Forschung eine umfassende Pipeline unter Verwendung von SPSC-net und YOLOX für die genaue Zählung von Slash-Pine-Trieben und die Kronenerkennung entwickelt, die ein robustes Werkzeug für die forstwirtschaftliche Forschung und die genetische Züchtung von Slash Pine bietet.