Um die Vorhersage des Traubenertrags zu verbessern, hat sich die automatische Beerenzählung aufgrund der dichten Verteilung und Okklusion der Beeren als eine entscheidende, aber auch anspruchsvolle Aufgabe erwiesen. Während der Weinanbau einen bedeutenden globalen Wirtschaftszweig darstellt, sind traditionelle manuelle Zählmethoden ungenau und ineffizient.
Die jüngste Forschung hat sich in Richtung Deep Learning und Computer Vision verlagert und verwendet Erkennungs- und Dichteschätzungstechniken für präzisere Zählungen. Allerdings sind diese Methoden mit der Variabilität des Ackerlandes und hohen Okklusionsraten konfrontiert, was zu erheblichen Zählfehlern führt.
Darüber hinaus erfordert die Erstellung leistungsstarker Algorithmen eine teure Datenkennzeichnung, was sie zu einer erheblichen Hürde für eine breite Nutzung und Anpassungsfähigkeit in der Praxis macht. Der Bedarf an einer kostengünstigen, genauen automatisierten Zählmethode bleibt ein dringendes Forschungsproblem.
Im November 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Halbüberwachtes Zählen von Weinbeeren auf dem Feld basierend auf gegenseitigem Ausschluss der Dichte.“
Um Weinbeeren effektiv und kosteneffizient zu zählen, stellt die Forschung CDMENet vor, eine halbüberwachte Methode, die VGG16 zur Extraktion von Bildmerkmalen und zum gegenseitigen Dichteausschluss nutzt, um räumliche Muster und unbeschriftete Daten zu verstehen.
Das Verfahren verwendet außerdem einen Dichtedifferenzverlust, um Merkmalsunterschiede zwischen unterschiedlichen Dichteniveaus zu verstärken. Die Leistung des Algorithmus wurde auf einem Ubuntu-System mit Python und Deep-Learning-Frameworks unter Verwendung eines bestimmten Hardware-Setups, Vorverarbeitungstechniken und Trainingsdetails wie Lernraten und Optimierungsmethoden getestet.
Die Ergebnisse waren vielversprechend: CDMENet übertraf sowohl vollständig als auch halbüberwachte Pendants hinsichtlich des mittleren absoluten Fehlers (MAE), des quadratischen mittleren Fehlers (RMSE) und des Bestimmtheitsmaßes (R2).
Besonders hervorzuheben war die Leistung mit begrenzten beschrifteten Daten, die im Vergleich zu anderen Modellen eine höhere Genauigkeit und weniger Fehler aufwies. Darüber hinaus wurde die Robustheit der Methode in verschiedenen Ablationsstudien weiter unter Beweis gestellt und die signifikante Rolle unbeschrifteter Daten, des Dichtedifferenzverlusts und der Anzahl von Prädiktoren für Hilfsaufgaben aufgezeigt.
Trotz geringfügiger Einflüsse durch Prognosekonfidenzschwellen behielt CDMENet eine stabile und robuste Leistung bei.
Zusammenfassend stellt CDMENet eine praktikable Lösung für das Zählen von Weinbeeren auf Feldern dar, die den Bedarf an umfangreicher manueller Etikettierung reduziert und gleichzeitig die Genauigkeit verbessert und Fehler reduziert.
Die effiziente Nutzung unbeschrifteter Daten, die verbesserte Merkmalsdarstellung durch Verlust von Dichteunterschieden und die insgesamt robuste Leistung vor dem Hintergrund unterschiedlicher Bedingungen unterstreichen sein Potenzial als kostengünstiges Werkzeug zur landwirtschaftlichen Ertragsschätzung.
Zukünftige Arbeiten könnten die weitere Optimierung von Verlustfunktionen und den Einsatz des Algorithmus in Feldrobotern oder anderen praktischen Anwendungen untersuchen.
Mehr Informationen:
Yanan Li et al., Halbüberwachtes Zählen von Weinbeeren im Feld basierend auf gegenseitigem Ausschluss der Dichte, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0115
Bereitgestellt von Plant Phenomics