Bitki yetiştiriciliğinde bitki fenotiplemesi, bir bitkinin karakteristik ‘görünür’ veya fenotipik özelliklerinin ayrıntılı olarak incelenmesidir. Bir çaprazlama deneyi ile üretilen bitkilerin sayılmasını ve yavruların veya döllerin sergilediği özelliklerin derecelendirilmesini içerir.
İstenen özelliklere sahip döller daha sonra yeni nesil mahsulleri üretmek için çaprazlanır ve mahsul çeşidini geliştirmek için süreç tekrarlanır. Bitki fenotiplemesi için geleneksel yöntemler tipik olarak ölçeklenebilirlik ve doğruluktan yoksundur ve son derece emek gerektirmektedir. Bu durum, bitki ıslahı programları üzerinde belirli bir darboğaz yaratmaktadır.
Ancak teknolojik gelişmeler ve artan nüfusu beslemek için küresel gıda güvenliğine duyulan ihtiyaç nedeniyle yeni yöntemler yavaş yavaş ön plana çıkmaktadır. Bu yöntemler arasında, fotoğraflar çeken, makine öğrenimi araçlarını kullanarak özellikleri ortaya koyan ve sonuçları mevcut veri tabanlarıyla karşılaştırarak fenotipleme görevlerini çok daha kısa sürede ve daha yüksek doğrulukla gerçekleştiren görüntü temelli teknikler bulunur.
Şu anda, çoğu makine öğrenimi yaklaşımı, maliyetli ve zaman alıcı olabilen işaretli veri kümeleriyle denetimli öğrenme çerçevesine bağlı kalmaktadır. Kendi kendine denetimli öğrenme (SSL), işaretli veri ihtiyacını azaltan bir makine öğrenimi yöntemidir. SSL araştırmalarındaki artışa rağmen, görüntü tabanlı bitki fenotipleme görevlerinde SSL uygulamalarında bir eksiklik olmuştur.
Yeni bir çalışmada, Kanada Saskatchewan Üniversitesi’nden Doçent Ian Stavness liderliğindeki bir araştırma ekibi, gelişmiş bitki fenotiplemesi için 2 SSL yönteminin performansını karşılaştırdı. Kendi kendini denetleyen yöntemin, ön eğitim veri seti fazlalığına karşı denetlenenlerden daha hassas olabileceğini ileri süren çalışma Plant Phenomics‘te yayınlandı.
Doç. Dr. Stavness, “Bu sonuçlar, SSL yöntemleri kullanırken bitki fenotipleştirme görevleri için modelleri eğitirken veri seti tekrarlılığına dikkat etmenin önemini vurgulamaktadır” dedi.
Bu çalışmada, geleneksel denetimli (ön eğitim) yöntemleri iki SSL yöntemiyle momentum kontrastı (MoCo) v2 ve yoğun kontrastlı öğrenimi (DenseCL)) karşılaştırmak için model ürün olarak buğday kullanılmıştır. Tüm öğrenme yöntemleri 4 fenotipleme görevine tabi tutulmuştur: Buğday başağı tespiti, bitki örneği tespiti, buğday başakçığı sayımı ve yaprak sayımı. Ekip, denetimli ön eğitimin yaprak sayımı hariç tüm görevler için en iyi performans gösteren modelleri ürettiğini tespit etti.
Kontrastlı SSL yöntemleri, denetimli yöntemin aksine fenotipleme görevlerini yerine getirmek için büyük ölçüde geniş etiketli ve açıklamalı veri tabanlarına dayanmaktadır. Algoritma, pozitif örnekleri yaklaştırmak ve negatif örnekleri uzaklaştırmak için eğitilir. Böylece pozitif örneklerin gücü artar ve algoritma bu örneklerden daha fazlasını tanımlamak için eğitilir.
MoCo v2, örneğin global görüntü düzeyindeki özelliklerini optimize etme işlevi görürken, DenseCL yerel piksel düzeyindeki özelliklere odaklanmaktadır. Her iki yöntem de gerekli görevler için modellerin eğitilmesine yönelik dahili sunumlar bağlamında karşılaştırılabilir performans göstermiştir.
Ön eğitim algoritmalarının iyi performans göstermesi için, esasen özel ancak çeşitli bir veri kümesi gereklidir. Bununla birlikte, büyük veri kümelerinde fazlalıkla karşılaşıldığında, kendi kendini denetleyen yöntemler doğruluk ve hassasiyet açısından daha iyi performans gösterir.
Çalışmanın sonuçlarının çoğunlukla birkaç teorik gerekçeyle ampirik gözlemlere dayandığı göz önüne alındığında, yazarlar çalışmalarını daha ince ayrıntılı bilgiler içerecek, pratik uygulamalar ve büyük ölçekli ticarileştirme için algoritmaları eğitmelerine yardımcı olacak ürün yetiştirme denemelerine genişletmek istiyorlar.
Doç Dr. Stavness sözlerini şöyle noktalıyor: “SSL potansiyel olarak bitki fenotiplerinin daha zengin bir temsilini, genotip ve çevre verileriyle ortak bir gömme uzayında hizalayarak öğrenmek için kullanılabilir. Bu kıyaslama veya değerlendirme çalışmasının, görüntü tabanlı bitki fenotiplemesi için daha iyi SSL yöntemleri geliştirmede uygulayıcılara yol göstereceğini umuyoruz.” [1]Benchmarking deep-learning methods for more accurate plant-phenotyping[2]Öne çıkan görsel
[cite]
Kaynaklar ve İleri Okuma
| ↑1 | Benchmarking deep-learning methods for more accurate plant-phenotyping |
|---|---|
| ↑2 | Öne çıkan görsel |
