Neuronales Netz mit synthetischen Datensätzen für die Saatgut-Phänotypisierung zur Segmentierung von Trainingsinstanzen

0

Inmitten eines beispiellosen Klimawandels und Bevölkerungswachstums ist die Etablierung einer Methode zur raschen Schaffung von Elite-Sorten durch selektive Züchtung eine dringende Angelegenheit, um die Nahrungsmittelversorgung aufrechtzuerhalten.

Um solche Sorten auszuwählen, ist es notwendig, eine Metrik für das, was eine “überlegene Sorte” ist, auf effiziente Weise zu definieren und zu bewerten.

Beispielsweise wird die Form des Saatguts als ein Merkmal verstanden, das eng mit der Qualität und dem Ertrag von Nutzpflanzen zusammenhängt und daher ein wichtiger Faktor bei der Durchführung selektiver Züchtung ist.Ein Team von Wissenschaftlern unter der Leitung von Yosuke Toda, designierter Assistenzprofessor am Institut für Transformative Biomoleküle (WPI-ITbM), Universität Nagoya, und Fumio Okura, Assistenzprofessor am Institut für Wissenschaftliche und Industrielle Forschung, Universität Osaka, hat ein System entwickelt, das Bildanalyse und künstliche Intelligenz (KI) nutzt, um die Form einer großen Anzahl von Samen aus einem einzigen Bild zu analysieren.

Die Form des Saatguts ist ein wichtiges agronomisches Merkmal für den Ertrag und die Qualität von Nutzpflanzen, und eine Methode zur automatischen Bestimmung und Bewertung dieses Merkmals anhand eines Bildes ist ein unverzichtbares Hilfsmittel für die Pflanzenzüchtung.Dr.

Todas Forschungsteam generierte einen Trainingsdatensatz, der für das maschinelle Lernen (Tiefenlernen) verwendet werden soll, indem es randomisierte Gerstensamenbilder auf einer virtuellen Leinwand synthetisierte.

Das trainierte Modell, das nur die synthetisierten Daten benutzte, war in der Lage, die einzelnen Samen aus Bildern verschiedener Gerstensorten so genau zu erkennen und zu segmentieren, wie dies manuell möglich ist, und es war auch in der Lage, Samen anderer Kulturen zu analysieren.Trainingsdaten sind erforderlich, um tiefes Lernen zu nutzen.

Tun Sie mir einen Gefallen: Bitte TEILEN Sie diesen Beitrag.

Üblicherweise werden die Trainingsdaten von Hand aufbereitet, z.B.

indem jedes Objekt in den Bildern mit unterschiedlichen Farben beschriftet wird.

Bei Objekten wie z.B.

Samen, deren Anzahl sehr groß ist, ist die Erstellung der Trainingsdaten jedoch sehr zeitaufwändig (z.B.

müssen Hunderte von Samen für Dutzende oder Hunderte von Bildern für jede Samensorte einzeln eingefärbt werden).

Es war also….

Share.

Leave A Reply