Blätter, die für die Photosynthese und andere physiologische Funktionen unerlässlich sind, weisen vielfältige Formen auf, die Pflanzen dabei helfen, sich an ihre Umgebung anzupassen. Herkömmliche Methoden zur Messung der Blattmorphologie basieren stark auf der 2D-Bildgebung, die es nicht schafft, die komplexen 3D-Strukturen zu erfassen, die für das Verständnis der Blattfunktionalität entscheidend sind.
Diese Einschränkungen haben die Entwicklung ausgefeilterer 3D-Bildgebungstechniken vorangetrieben, dennoch bestehen weiterhin Herausforderungen bei der genauen Abbildung von Blattkanten, insbesondere bei sehr detaillierten Strukturen.
Eine Studie veröffentlicht In Pflanzenphänomik bietet eine neue Möglichkeit zur zerstörungsfreien Analyse der Blattmorphologie und ermöglicht eine präzise Kartierung von Pflanzenstrukturen in 3D.
Die Forschung nutzte eine neuartige Methode zur 3D-Blattkantenrekonstruktion, die Deep-Learning-basierte 2D-Instanzsegmentierung mit kurvenbasierten 3D-Rekonstruktionstechniken kombiniert.
Der Ansatz wurde zunächst an virtuellen Blattmodellen unter idealen Bedingungen getestet, wobei 3D-Blattkanten durch Extrahieren von 2D-Kanten aus echten Maskenbildern rekonstruiert wurden. Die Leistung wurde durch den Unterstützungsschwellenwert (τt) beeinflusst, wobei niedrige Werte zu Ungenauigkeiten und hohe Werte zu einer unvollständigen Abdeckung führten.
Bei Szenen mit mehreren Blättern war die Identifizierung der Blattkorrespondenz von entscheidender Bedeutung, um trotz Verdeckungen genaue Rekonstruktionen sicherzustellen. Genauigkeitsbewertungen zeigten, dass größere Blätter leichter zu rekonstruieren waren, während kleine Blätter mit stärkerer Krümmung Schwierigkeiten bereiteten.
Die Methode reagierte empfindlich auf Kamerarauschen, jedoch weniger auf die Anzahl der Bilder oder die Verdeckungsstufen, was darauf hindeutet, dass zusätzliche Bilder nicht unbedingt die Präzision verbesserten.
Unter Verwendung von Mask R-CNN für reale Pflanzendaten wurden einzelne Blattmasken generiert, obwohl kleinere Blätter Herausforderungen darstellten, was sich in niedrigeren durchschnittlichen Präzisionswerten (AP) widerspiegelte.
Bei der Anwendung auf tatsächliche Sojabohnenpflanzen in verschiedenen Wachstumsstadien gelang es der Methode, die meisten Blätter bei optimalen Stützschwellen erfolgreich zu rekonstruieren, bei stark verdeckten oder kleinen Blättern gab es jedoch Schwierigkeiten, was manchmal zu Artefakten oder Formverzerrungen führte.
Tests an verschiedenen Blatttypen ergaben, dass die Methode zwar gelappte Kanten genau erfasste, gezackte und längliche Blätter jedoch eine geringere Detailgenauigkeit aufwiesen, insbesondere an der Spitze. Blätter mit bis zu drei Löchern konnten gut rekonstruiert werden, bei mehr Löchern nahm jedoch die Präzision ab.
Insgesamt erfasste der Ansatz komplexe Blattmorphologien effektiv, erforderte jedoch eine weitere Verfeinerung für komplizierte oder stark verdeckte Strukturen.
Einer der Forscher der Studie, Dr. Koji Noshita, sagte: „Unsere Methode stellt einen Durchbruch in der 3D-Blattkantenrekonstruktion dar. Durch die Kombination von Deep Learning und kurvenbasierten Techniken können wir jetzt einen viel höheren Detaillierungsgrad bei der Analyse der Blattmorphologie erreichen.“ was wichtige Auswirkungen auf die Agrarforschung hat.“
Diese 3D-Blattkantenrekonstruktionstechnik stellt einen bedeutenden Fortschritt in der Pflanzenphänotypisierung dar. Es eröffnet neue Möglichkeiten für eine detailliertere Untersuchung der Pflanzenmorphologie mit breiten Anwendungsmöglichkeiten in der Landwirtschaft und der ökologischen Forschung.
Die Forscher glauben, dass die Weiterentwicklung dieser Methode den Weg für effizientere und produktivere landwirtschaftliche Praktiken ebnen und so den globalen Herausforderungen der Ernährungssicherheit begegnen wird.
Weitere Informationen:
Hidekazu Murata et al., Dreidimensionale Blattkantenrekonstruktion, die zwei- und dreidimensionale Ansätze kombiniert, Pflanzenphänomik (2024). DOI: 10.34133/plantphenomics.0181