💻 computer science

The Effects of Synthetic Data and Label Distribution on Canola Branch Counting

Deze studie toont aan dat het trainen van ResNet-18-modellen voor het tellen van canola-takken met synthetische gegevens gegenereerd door een gekalibreerd L-systeemmodel de prestaties significant verbetert wanneer de synthetisch-naar-reële beeldverhouding wordt geoptimaliseerd naar 1:7 en de synthetische labelverdeling wordt afgevlakt om overeen te komen met de reële gegevens, wat resulteert in een reductie van 14,7% in het gemiddelde absolute verschil vergeleken met het gebruik van alleen reële gegevens.

Oorspronkelijke auteurs: Amirsalar Darvishpour, Mikolaj Cieslak, Adam Runions

Gepubliceerd 2026-07-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Amirsalar Darvishpour, Mikolaj Cieslak, Adam Runions

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren om de takken van een koolzaadplant te tellen. In de echte wereld is het maken van duizenden foto's van planten en het handmatig tellen van elke tak een traag, saai en duur karwei. Het is alsof je een nieuwe taal probeert te leren door slechts één heel dik boek te lezen.

Om dit te versnellen, hebben wetenschappers een digitale "plantenfabriek" gebouwd met behulp van een speciale code genaamd een L-systeem. Deze fabriek kan onbeperkt foto's van nepplanten uitspinnen, en omdat de computer de planten heeft gebouwd, weet hij het exacte aantal takken voor elke afbeelding. Het is alsof je een magisch tekstboek hebt waarbij alle antwoorden al achterin staan geschreven.

Maar hier is de crux: alleen omdat de computer de antwoorden weet, betekent dat nog niet dat de robot ze gemakkelijk leert. De nepplanten zien er een beetje te perfect uit vergeleken met de rommelige, echte planten. De grote vraag was: Hoe mengen we deze nepplantafoto's met echte foto's zodat de robot echt goed wordt in tellen?

De onderzoekers voerden een reeks experimenten uit om het perfecte recept te vinden, en ze ontdekten drie gouden regels.

1. De "Te veel van het goede" ratio

Eerst testten ze hoeveel nepplantafoto's ze konden mengen met de echte foto's. Denk hierbij aan het kruiden van een soep. Als je een snufje zout (nepdata) toevoegt aan een pan soep (echte data), smaakt het beter. Maar als je de hele strooier erin dondert, wordt het onverteerbaar.

Ze ontdekten dat het toevoegen van nepplantafoto's veel helpt, maar alleen als je niet doorslaat.

Het ideale punt: Wanneer ze strikt keken naar de mix van nep- versus echte foto's, was de beste ratio 1 nepplanta voor elke 7 echte foto's (een 1:7 ratio). Dit verminderde de telfouten van de robot met 7,6% vergeleken met het gebruik van alleen echte foto's.
De veilige zone: Je hoeft geen wiskundig genie te zijn om het goed te doen. Elke mix tussen 1:5 en 1:22 werkte goed.
De gevarenzone: Als je voorbij gaat aan 1:22 (wat betekent dat er te veel nepplantafoto's zijn), raakt de robot in de war door het "nep" uiterlijk van de afbeeldingen, en presteert hij zelfs slechter dan wanneer je alleen echte foto's zou gebruiken.

2. Het "Fake Crowd" probleem

Vervolgens keken ze naar welke nepplanta's er gegenereerd werden. In hun digitale fabriek groeiden de planten op een manier die een "uniforme" verdeling creëerde. Dit betekent dat de fabriek een gelijk aantal planten maakte met 1 tak, 10 takken, 20 takken en 40 takken.

In de echte wereld hebben de meeste planten echter een gemiddeld aantal takken, en zijn er zeer weinig met extreme aantallen (zoals 1 of 40).

De fout: Het gebruik van een "uniforme" mix waarbij elk aantal takken even vaak voorkomt, was een ramp. Het maakte de fouten van de robot extreem hoog, tot 1,70 (een zeer slechte score). Het is alsof je probeert te leren over het weer door ervan uit te gaan dat het met gelijke frequentie regent, sneeuwt en zonnig is, elke dag weer.
De oplossing: Ze probeerden de nepplanta's meer op de echte menigte te laten lijken. Ze ontdekten dat als ze de nepplanta-verdeling zo aanpasten dat deze voor 90% vergelijkbaar was met de echte verdeling, de fouten daalden naar 0,927.
De magische truc (Gaussiaanse smoothing): Het absoluut beste resultaat van de hele studie kwam van een techniek genaamd "Gaussiaanse smoothing". Stel je voor dat je de echte data neemt en de randen voorzichtig vervaagt, zodat zeldzame aantallen takken een beetje extra aandacht krijgen, zonder dat het hele plaatje er nep uitziet. Deze eenvoudige aanpassing bracht de fout omlaag naar 0,912, een 14,7% verbetering ten opzichte van het gebruik van alleen echte foto's. Dit was de echte winnaar, en versloeg zelfs de beste ratio-mix.

3. De "Minimumgarantie" valkuil

Ten slotte testten ze een simpeler idee: "Wat als we gewoon beloven dat er voor elk aantal takken, zelfs de zeldzame, minstens X nepplantafoto's zijn?"

De bescheiden aanpak: Als ze garandeerden dat er minimaal 10 nepplantafoto's waren voor elk aantal takken, deed de robot het oké (fouten daalden naar 0,993). Het was niet zo goed als de "smoothing"-truc, maar het was een veilige, eenvoudige back-up plan.
De overcorrectie: Als ze probeerden om voor elk aantal takken minimaal 100 nepplantafoto's te garanderen, raakte de robot weer in de war en liepen de fouten op tot 1,109. Door te veel zeldzame voorbeelden af te dwingen, maakten ze de nepplanta-data per ongeluk weer te uniform, wat de vooruitgang tenietdeed.

De kern van het verhaal

De onderzoekers hebben niet simpelweg geraden; ze hebben deze resultaten vijf keer per keer gemeten om er zeker van te zijn. Ze ontdekten dat hoewel de exacte mix van nepplantafoto's versus echte foto's ertoe doet, het wel vergevingsgezind is — je hoeft niet perfect te zijn. Echter, hoe je de nepplanta-data arrangeert, is van enorm groot belang.

De beste strategie is niet om zomaar willekeurige nepplanta's in de trainingsset te dumpen. In plaats daarvan moet je de echte data nemen, deze voorzichtig "smoothen" om zeldzame aantallen takken een kleine boost te geven (met die Gaussiaanse truc), en er ongeveer 1 nepplanta voor elke 7 echte foto's bij mengen. Deze aanpak helpt de robot de kloof tussen de digitale wereld en de echte wereld te overbruggen, waardoor hij een veel betere teller wordt zonder dat er miljoenen dure foto's nodig zijn.

Hoewel deze studie specifiek over koolzaadplanten werd uitgevoerd, suggereren de wetenschappers dat deze regels ook voor andere gewassen kunnen gelden, hoewel ze toegeven dat ze nog moeten uitzoeken welke delen van het digitale plantmodel precies het belangrijkst zijn om dit werkend te krijgen.

Technische Samenvatting: De Effecten van Synthetische Data en Labelverdeling op het Tellen van Canolatakken

Probleemstelling
Geautomatiseerde plantfenotypering via supervised deep learning vereist doorgaans grote, geannoteerde datasets, die kostbaar en tijdrovend zijn om te produceren. Hoewel procedurele L-systeem plantmodellen onbeperkt synthetische afbeeldingen met exacte organen-aantal labels kunnen genereren, geeft eerder onderzoek aan dat het simpelweg toevoegen van synthetische data niet gegarandeerd prestatieverbeteringen oplevert. De effectiviteit van de incorporatie van synthetische data hangt kritisch af van twee factoren: de verhouding tussen synthetische en echte afbeeldingen en de labelverdeling van de synthetische dataset. Dit artikel adresseert de noodzaak om systematisch te kwantificeren hoe deze twee factoren de modelprestaties beïnvloeden in de specifieke context van het tellen van canolatakken.

Methodologie
De auteurs maakten gebruik van een gekalibreerd L-systeem plantmodel om synthetische canola-afbeeldingen te genereren, waarbij de synthetische takenaantallen kwalitatief overeenkwamen met real-world observaties. De studie maakte gebruik van een ResNet-18 model (voorgetraind op ImageNet) dat werd gefinetuned voor regressie van het aantal takken. De evaluatie was gebaseerd op een dataset van 788 echte canola-afbeeldingen met grondwaarheid (ground-truth) takenaantallen (variërend van 1 tot 40).

Het experimentele ontwerp isoleerde twee primaire variabelen over vier afzonderlijke experimenten:

Ratio Sweep: De auteurs varieerden de synthetische-naar-echte afbeeldingverhouding van 1:0 naar 1:29 (specifiek het testen van 30 ratio's) terwijl de echte dataset vaststond.
Distributie Interpolatie: De synthetische labelverdeling werd in tien gelijke stappen verschoven van een uniforme verdeling (Stap 0) naar de echte datadistributie (Stap 10). Dit werd getest met 18k en 36k synthetische afbeeldingen gekoppeld aan 400 echte trainingsafbeeldingen.
Gaussian Smoothing: Een Gaussische kernel werd geconvolueerd met de histogram van de echte labelverdeling om de frequenties van de takenaantallen over naburige waarden te verzachten. Tien waarden van $\sigma$ (van 0.0 tot 3.6) werden getest.
Minimum Samples per Label: Harde vloerbeperkingen werden toegepast om een minimaal aantal synthetische afbeeldingen per labelwaarde te garanderen (10 en 100 afbeeldingen per label), met als doel zeldzame labels met hoge aantallen op te samplen zonder volledige kennis van de doelverdeling te vereisen.

Alle experimenten werden vijf keer herhaald, waarbij de prestaties werden geëvalueerd op een apart gehouden testset met behulp van de Mean Absolute Difference (abs. diff.) als primaire metriek.

Belangrijkste Resultaten

Synthetische-naar-echte Ratio: De studie identificeerde een brede "voordelige range" voor de synthetische-naar-echte ratio tussen 1:5 en 1:22. Binnen deze range verbeterden de prestaties over het algemeen ten opzichte van alleen op echte data getrainde modellen. De optimale ratio werd gevonden op 1:7, wat de mean absolute difference met 7,6% verminderde (van 1,069 naar 0,988) vergeleken met training op enkel echte data. Ratio's boven de 1:22 leidden tot degradatie van de prestaties, waarbij de overtollige synthetische data de ruis van de domeingap versterkte.
Labelverdeling (Interpolatie): Een uniforme synthetische verdeling bleek sterk suboptimaal (abs. diff. $\approx$ 1,70). Het interpoleren van de synthetische verdeling 90% richting de echte verdeling (Stap 9) leverde een abs. diff. op van 0,927, wat zelfs de echte verdeling zelf (0,942) overtrof. Dit suggereert dat het licht oververtegenwoordigen van zeldzame labels en het verzachten van frequentie-extremen de generalisatie verbetert.
Labelverdeling (Gaussian Smoothing): Het toepassen van Gaussian smoothing op de echte labelverdeling leverde het beste algemene resultaat op van alle experimenten. Bij $\sigma = 3.6$ bereikte het model een abs. diff. van 0,912, wat een verbetering van 14,7% betekent ten opzichte van training op enkel echte data. De prestatiecurve vlakte af voor $\sigma$ -waarden tussen 2,0 en 4,0.
Minimum Samples: Het afdwingen van een minimum van 10 synthetische afbeeldingen per label (min-10) leverde bescheiden winsten op (abs. diff. 0,993) ten opzichte van training op enkel echte data. Echter, het afdwingen van een minimum van 100 (min-100) schaadde de prestaties (abs. diff. 1,109), omdat agressieve up-sampling van zeldzame labels de verdeling richting uniformiteit verschoof, waardoor de problemen geassocieerd met uniforme verdelingen opnieuw ontstonden.

Betekenis en Bijdragen
Het artikel biedt een systematische karakterisering van ontwerpkeuzes voor synthetische data bij plantfenotypering. De primaire bijdragen zijn drieledig:

Ratio Forgiveness: Het stelt vast dat de synthetische-naar-echte ratio breed vergevensgezind is; praktijkgebruikers hoeven de ratio niet precies af te stemmen, aangezien elke waarde tussen 1:5 en 1:22 beter presteert dan training op enkel echte data.
Distributie Optimalisatie: Het demonstreert dat de labelverdeling de grootste impact heeft op de prestaties. Specifiek het vermijden van uniforme verdelingen en het toepassen van Gaussian smoothing op de echte labelverdeling (of het interpoleren 90% richting de echte verdeling) verkleint de synthetische-naar-echte domeingap aanzienlijk.
Praktische Alternatieven: Het biedt een eenvoudiger alternatief voor scenario's waarin distributie-resampling niet haalbaar is: het instellen van een bescheiden minimumvloer van 10 afbeeldingen per label. Het waarschuwt echter dat hogere vloeren (bijv. 100) nadelig kunnen zijn.

De auteurs concluderen dat hoewel de constructie en kalibratie van het model aanzienlijke inspanning vereisen, het augmenteren van echte afbeeldingen met synthetische data — wanneer dit gepaard gaat met passende distributie-matching — gecombineerde datasets superieur maakt aan real-only baselines. De bevindingen suggereren dat eenvoudige aanpassingen aan de geobserveerde labelverdeling de prestaties van het model aanzienlijk kunnen verbeteren, hoewel de auteurs opmerken dat verder onderzoek nodig is om te bepalen of deze resultaten generaliseren naar andere gewassen en welke specifieke componenten van het L-systeemmodel het meest kritiek zijn voor het overbruggen van de domeingap.

1. De "Te veel van het goede" ratio

2. Het "Fake Crowd" probleem

3. De "Minimumgarantie" valkuil

De kern van het verhaal

Meer zoals dit