Image-Based Estimation of Blueberry Yield Incorporating External Validation and Canopy Architecture Under Field Conditions
Diese Studie zeigt, dass die Integration von bildbasierten Merkmalen der Kronenarchitektur mit einer auf YOLOv8x basierenden Beerenerkennung die Genauigkeit der Blaubeerertragsschätzung signifikant verbessert, indem sie die systematische Untererfassung durch Kronenverdeckung über verschiedene Genotypen hinweg adressiert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie wären ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt nach Fingerabdrücken zu suchen, suchen Sie nach winzigen, verborgenen Hinweisen, die in einem riesigen, unordentlichen Dschungel verstreut sind. Dies ist die Welt der „Phänomik“, ein schickes Wort für die Wissenschaft der Messung, wie Pflanzen wachsen und sich verhalten. Lange Zeit mussten Landwirte und Wissenschaftler dies auf die harte Tour machen: durch Felder laufen, die Pflanzen anstarren und jede einzelne Frucht mühsam von Hand zählen. Das ist langsam, anstrengend und es passieren leicht Fehler, wenn man müde ist. Aber jetzt haben wir eine neue Superkraft: Computer, die durch Kameras „sehen“ können. Genau wie Ihr Telefon eine Katze auf einem Foto erkennen kann, bringen Wissenschaftler Computern bei, Früchte auf einem Feld zu entdecken. Die große Frage ist: Kann eine Kamera Beeren genauso genau zählen wie ein Mensch, besonders wenn diese Beeren hinter Blättern versteckt sind? Wenn wir den Computer die Arbeit erleden lassen können, könnten wir bessere, leckerere und produktivere Pflanzen schneller züchten und so mit weniger Aufwand mehr Menschen ernähren.
In dieser Arbeit geht es um ein Team von Wissenschaftlern, das einen „digitalen Beerenzähler“ gebaut hat, um zu sehen, ob es das Rätsel der versteckten Blaubeeren lösen konnte. Sie konzentrierten sich auf Hochbusch-Blaubeeren, das sind die Sorte, die man im Supermarkt kauft. Diese Pflanzen sind knifflig, weil sie buschig und voller Blätter sind, was es leicht macht, dass Beeren im Grün verloren gehen. Die Forscher entwickelten ein spezielles Computerprogramm unter Verwendung einer Art künstlicher Intelligenz namens YOLO (was für „You Only Look Once“ steht). Stellen Sie sich YOLO wie einen sehr schnellen, sehr hungrigen Vogel vor, der ein Bild scannt und ruft: „Ich sehe eine Beere!“ und „Ich sehe noch eine!“ Aber es gab einen Haken: Der Computer betrachtete flache, zweidimensionale Fotos, während die Blaubeerbüsche dreidimensionale Labyrinthe sind. Der Computer übersah ständig Beeren, die hinter Blättern versteckt oder tief im Inneren des Busches begraben waren.
Um dies zu beheben, verließen sich die Forscher nicht nur auf die Augen des Computers; sie brachten ihm auch bei, die „Architektur“ des Busches zu verstehen, so wie ein Detektiv die Form eines Raumes betrachtet, um zu erraten, wo sich eine Person verstecken könnte. Sie maßen Dinge wie die Breite des Busches, seine Höhe und die Dichte der Blätter. Sie testeten ihr System an 3zwei verschiedenen Arten von Blaubeerpflanzen. Die Ergebnisse waren eine Mischung aus guten Nachrichten und einer Realitätsprüfung. Der Computer war großartig darin, Beeren zu entdecken, die im Freien lagen, und konnte sehr genau zwischen grünen, unreifen Beeren und blauen, reifen Beeren unterscheiden. Wenn sie jedoch den Zählgang des Computers mit der tatsächlichen Anzahl der Beeren verglichen, die sie von Hand gepflückt hatten, unterschätzte der Computer die Gesamtzahl jedoch konsequent. Es war, als würde der Computer in ein Glas voller Murmeln schauen und nur die zählen, die auf der obersten Schicht liegen, während er die am Boden Begrabenen übersieht.
Die Studie ergab, dass die „Versteckungsrate“ der Beeren je nach Pflanzenart stark variierte. Bei einigen Büschen konnte der Computer nur 42 % der Früchte sehen, während er bei anderen bis zu 90 % von ihnen übersah! Das bedeutete, dass der Computer bei einigen Pflanzen im Grunde nur rät. Aber hier kommt der clevere Teil: Als die Wissenschaftler die Daten über die Form und Struktur des Busches in ihre Berechnungen einbezogen, wurden die Vermutungen des Computers viel besser. Durch die Verwendung einer speziellen mathematischen Methode namens Partielle Kleinste-Quadrate-Regression (Partial Least Squares regression) waren sie in der Lage, die versteckten Beeren zu korrigieren. Dies verbesserte ihre Fähigkeit, die Gesamtfruchtmenge vorherzusagen, erheblich und steigerte ihre Genauigkeitswerte.
Die Arbeit kommt zu dem Schluss, dass eine Kamera allein zwar nicht perfekt jede einzelne Blaubeere zählen kann, da einige einfach zu gut versteckt sind, sie aber sehr nah herankommen kann, wenn wir ihr beibringen, die Form des Busches zu verstehen. Das bedeutet nicht, dass das Problem vollständig gelöst ist, aber es deutet einen neuen Weg auf. Anstatt nur zu versuchen, die Kamera besser sehen zu lassen, können wir die Kamera nutzen, um den Busch selbst zu messen, um herauszufinden, wo die fehlenden Beeren wahrscheinlich versteckt sind. Dies hilft Wissenschaftlern, die besten Blaubeerpflanzen für die Zucht auszuwählen, um sicherzustellen, dass die nächste Generation von Blaubeeren nicht nur lecker, sondern auch einfacher für Roboter und Kameras zu ernten ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.