Eine auf Deep Learning basierende Methode zur hochpräzisen Stomataerkennung und Leitfähigkeitsanalyse

Spaltöffnungen sind für die Regulierung von Wasser und Kohlendioxid in Pflanzen von entscheidender Bedeutung und beeinflussen die Photosynthese. Die traditionelle Stomata-Analyse war manuell und fehleranfällig, doch zur verbesserten Erkennung und Messung wurden Deep-Learning-Methoden (DL) wie DCNN eingeführt. Diese fortschrittlichen Techniken stehen jedoch immer noch vor Herausforderungen bei der genauen Berechnung von Stomata-Merkmalen aufgrund der zufälligen Ausrichtung der Stomata, was eine zusätzliche Bildverarbeitung erfordert.

Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Messung rotierender Stomata basierend auf ankerfreier Objekterkennung und Berechnung der Stomata-Leitfähigkeit.“

In diesem Artikel wird DeepRSD vorgestellt, eine auf Deep Learning basierende Methode zur Erkennung rotierender Spaltöffnungen und zur Berechnung ihrer Merkmale. Durch die Integration einer Stomata-Leitfähigkeitsverlustfunktion erreicht DeepRSD eine Genauigkeit von 94,3 % für Maisblatt-Stomata und verbessert so die Erkennung und Leitfähigkeitsberechnung.

In dieser Studie beginnt die Methode mit der Bildvorverarbeitung, einschließlich geometrischer Korrektur und Auflösungsstandardisierung. Die manuelle Beschriftung ist für das Training von entscheidender Bedeutung und erfordert Software wie labelimg2, um Stomata mit den kleinsten umschließenden Rechtecken zu definieren.

Das Training nutzt 2.192 Maisblattbilder, die durch Datenerweiterung auf 24.112 erweitert wurden. Ein AdamW-Optimierungsalgorithmus, gepaart mit spezifischen Lernratenanpassungen und einer GPU-beschleunigten Softwareumgebung, ermöglicht ein effizientes Training.

Fünf verschiedene Verlustfunktionen, darunter Heatmap, Breite-Höhe, Offset, Winkel und Stomata-Leitfähigkeitsverlust, werden verwendet, um die Genauigkeit des Modells zu optimieren. Die Ergebnisse zeigen, dass DeepRSD andere Modelle in Bezug auf Präzision, Erinnerung und F1-Score nach 20 Epochen deutlich übertrifft. Allerdings bleiben Herausforderungen bestehen, darunter Fehlerkennungen und falsch positive Ergebnisse, die auf Blattverunreinigungen oder ähnliche Objekte zurückzuführen sind. Zukünftige Verbesserungen zielen darauf ab, die Erkennungsgenauigkeit zu verbessern.

Zusammenfassend kommt die Studie zu dem Schluss, dass die ankerfreie Erkennung und die schnellen Berechnungsfunktionen von DeepRSD es zu einem wertvollen Werkzeug für die groß angelegte Analyse von Stomata-Merkmalen und Leitfähigkeiten machen.

Diese Methode verbessert nicht nur die Effizienz und Genauigkeit, sondern ermöglicht auch ein tieferes Verständnis der Spaltöffnungsreaktionen auf Umweltstressoren und unterstützt die Forschung zu Ernteerträgen und Stressresistenz von Pflanzen. Während sich dieser Ansatz derzeit auf Maisblätter konzentriert, hat er potenzielle Anwendungsmöglichkeiten für andere Monokotyledonen und bietet Botanikern ein umfassendes Werkzeug für ihre Forschungsbemühungen.