Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions

Technische Samenvatting: Machine Learning voor Detectie en Ernstinschatting van Schade door Zoetpatatafariet

Probleemstelling
De zoetpatatafariet (Cylas spp.) is een primaire destructieve plaag in sub-Sahara Afrika, in staat om oogstverliezen tot 100% te veroorzaken en wortels ongeschikt voor consumptie te maken. Huidige veredelingsprogramma's vertrouwen op handmatige fenotypering om resistente genotypes te identificeren. In veldomstandigheden gebruiken experts een subjectieve visuele score schaal van 1–9, terwijl laboratoriumbeoordelingen bestaan uit arbeidsintensieve handmatige tellingen van vreetgaatjes. Deze traditionele methoden zijn tijdrovend, inconsistent en gevoelig voor menselijke bias, wat knelpunten creëert in de ontwikkeling van veerkrachtige zoetpatat varieties. Deze studie adresseert de behoefte aan geautomatiseerde, objectieve en schaalbare beoordelingstools om veredelingsworkflows te versnellen.

Methodologie
Het onderzoek stelt een dual-context computer vision-pipeline voor voor zowel veld- als laboratoriumomgevingen, gebruikmakend van Convolutional Neural Networks (CNN's) en objectdetectie-architecturen.

• Veldbeoordeling (Ernstclassificatie):

  • Gegevensverzameling: Afbeeldingen en video's werden verzameld op vier landbouwlocaties in Oeganda over twee seizoenen. Experts vochten ernstscores toe op basis van een aangepaste 5-punts schaal (1, 3, 5, 7, 9) die de proportie beschadigde wortels vertegenwoordigt.
  • Preprocessing: Een YOLO11-segmentatiemodel (mAP 92,5%) werd fijn afgesteld om wortels te isoleren van achtergrondruis. De dataset werd gebalanceerd door frames uit video's te extraheren en oververtegenwoordigde klassen te onderdrukken (undersampling), wat resulteerde in 636 plots (788 afbeeldingen).
  • Modelarchitectuur: Een dual-input ResNet-50 architectuur werd geïmplementeerd om paren orthogonale aanzichten (boven- en onderkant) van wortelplots te verwerken. Het model concateneerde 2048-d feature vectoren van twee backbones naar een 4096-d representatie, gevolgd door volledig verbonden lagen met dropout. Een secundair VGG16-model werd getest maar presteerde minder goed.
  • Training: Het model werd getraind voor 20 epochs met de Adam-optimizer en een batchgrootte van 16.

• Laboratoriumbeoordeling (Schadekwantificering):

  • Experimentele Opstelling: Wortels werden blootgesteld aan gecontroleerde weevil-infestaties (5–10 volwassenen gedurende 24 uur) en gefotografeerd onder gestandaardiseerde verlichting.
  • Preprocessing:
    1. Segmentatie: Een YOLO11-segmentatiemodel (mAP 98%) isoleerde wortelregio's van achtergronden.
    2. Annotatieconversie: Puntgebaseerde annotaties van vreetgaatjes werden omgezet naar bounding boxes met behulp van een 18-pixel padding expansie.
    3. Tiling Strategie: Om de uitdaging van het detecteren van minuscule gaatjes aan te pakken, werd het Slicing Aided Hyper Inference (SAHI) framework toegepast. Afbeeldingen werden gesneden in overlappende 384×384 pixel tiles om de zichtbaarheid van kleine objecten te verbeteren.
  • Modelselectie: Drie state-of-the-art objectdetectiemodellen werden geëvalueerd: YOLO11-L, YOLO12-L en RTDETR2. Zij werden getraind op de getiled dataset voor 500 epochs met early stopping.

Belangrijkste Resultaten

• Veldclassificatie: Het dual-input ResNet-50 model behaalde een testnauwkeurigheid van 71,43%. Prestaties varieerden per klasse:
  • Klasse 1 (Geen schade): Hoogste F1-score (0,72) met een hoge recall (0,82), wat wijst op een sterk vermogen om resistente plots te identificeren.
  • Klasse 5 (Erstige schade): Laagste recall (0,45), wat suggereert dat ernstige gevallen frequent verkeerd worden geclassificeerd.
  • Verwarringspatronen: Misclassificaties kwamen voornamelijk voor tussen aangrenzende ernstniveaus (bijv. 1 vs. 3, 5 vs. 7), waarschijnlijk door overlappende visuele kenmerken.
• Laboratoriumdetectie: YOLO12-L kwam als het superieure model uit de bus, met een gemiddelde Average Precision (mAP@0.5) van 77,7%.
  • Het vertoonde een gebalanceerde precisie (0,715) en recall (0,765).
  • Het presteerde uitzonderlijk goed op niet-fecale gaatjes (mAP@0.5: 0,826) en fecale gaatjes (mAP@0.5: 0,728).
  • RTDETR2 vertoonde een hogere precisie maar lagere recall, terwijl YOLO11 onderpresteerde vergeleken met YOLO12.

Significantie en Claims
Het artikel beweert dat computer vision-technologieën efficiënte, objectieve en schaalbare beoordelingstools kunnen bieden die aansluiten bij hedendaagse veredelingsworkflows. De studie toont aan dat:

1. Automatisering is haalbaar: Geautomatiseerde systemen kunnen effectief zoeken naar resistente genotypes in het veld (hoge recall voor klassen met lage schade) en schade in het lab kwantificeren met hoge precisie.
2. Methodologische Innovatie: De combinatie van wortelsegmentatie en SAHI-gebaseerde tiling slaagt erin de specifieke uitdaging aan te pakken van het detecteren van minuscule vreetgaatjes die vaak gemist worden in volledige resolutie afbeeldingen.
3. Praktische Toepassing: Hoewel ze geen volledige vervanging zijn voor deskundig oordeel, dienen deze tools als effectieve beslissingsondersteunende systemen om subjectiviteit en handmatige inspanning te verminderen. De auteurs benadrukken het potentieel voor het implementeren van lichtgewicht modellen op edge-apparaten (bijv. smartphones) om veldtechnici te ondersteunen.
4. Beschikbaarheid van Middelen: De auteurs stellen dat de datasets en code publiekelijk beschikbaar zullen worden gesteld om verder onderzoek in plantfenotypering te ondersteunen.

De auteurs hanteren een bescheiden toon en erkennen beperkingen zoals het prestatieverschil tussen veld- en labresultaten, overfitting in de veldclassifier door variabiliteit in gegevens, en de computationele overhead van de tweestaps lab-pipeline. Zij positioneren hun werk als een belangrijke stap naar het verbeteren van de efficiëntie van fenotypering in plaats van een definitieve, perfecte oplossing.