PlantVillage: miért kell a növénybetegségeket felismerő AI-t a laboron kívül is vizsgálni?
Mit tanítanak a közzétett PlantVillage- és maniókavizsgálatok a növénybetegségeket figyelő kamerák értékeléséről azok között a körülmények között, ahol a termesztők használni fogják őket?
Az angol eredeti fordítása · Angol eredeti
Tovább az útmutatóhoz
Egy modell jól teljesíthet ismerős képeken, mégis jelentős további munka kellhet ahhoz, hogy hasznos legyen a termesztőnek. Két közzétett növénybetegség-vizsgálat kézzelfoghatóvá teszi ezt a tesztelési problémát. Értékük egy beltéri kamerás projekt számára a jobb értékelési terv, nem annak előrejelzése, hogyan teljesít majd minden mai modell.
Nevezze meg a vizsgálatot
Az eredményhez tartozzon adatállomány, feladat, mérőszám és értékelési körülmény.
A tervezett környezetben teszteljen
Vegye be a tényleges kameranézetet, a fejlődési szakaszokat és a nehezen értelmezhető megfigyeléseket.
A bizonytalanságnak legyen kezelhető folytatása
Biztosítson ellenőrzési folyamatot a kétértelmű vagy ismeretlen esetekhez.
A projekt: tanulás címkézett levélképekből
2016-ban Mohanty, Hughes és Salathé 54 306 PlantVillage-kép alapján vizsgálta a betegségek osztályozását. Az adatok 14 növényfajt és 38 növény–állapot osztályt fedtek le. Az elkülönített tesztadatokon közölt legjobb osztályozási pontosság 99,35% volt. Az eredeti PlantVillage-tanulmány.
Az értékelés kulcskérdése, mit jelent a korábban nem látott kép. Egy elkülönített kép a tanítás során ismeretlen lehet, miközben továbbra is erősen hasonlít a tanítógyűjteményre. A termesztőasztal fölé telepített kamera újabb kérdést vet fel: a képrögzítés és a növény megjelenése megfelel-e a gyűjteményben képviselt körülményeknek?
Mielőtt bármely közzétett pontossági adatot beszerzési egyeztetésen használ, kérdezze meg, pontosan milyen címkét jelez előre a rendszer. Egy előkészített levélkép osztályozása, egy tünet helyének meghatározása az állományban és egy termesztési probléma okának azonosítása különböző feladat. Az egyik eredménye nem válhat észrevétlenül a másikra vonatkozó állítássá.
A külső képeken végzett vizsgálat más képet mutatott
Ugyanez a tanulmány két kisméretű, külön ellenőrzött internetes képgyűjteményt is értékelt: 121, illetve 119 képpel. A közölt legjobb top-1 pontosság 31,40% és 31,69% volt. Ezek eltérő értékelési eloszlások voltak, és a két külső gyűjteményen eltérő modellkonfigurációk teljesítettek a legjobban. Értékelés külső képeken.
Három eredmény, amelyekhez a vizsgálat megnevezése is szükséges
| Értékelés | Közölt top-1 pontosság | Körülmények |
|---|---|---|
| Elkülönített PlantVillage-képek | 99.35% | Az ellenőrzött gyűjtemény képei |
| 1. külső képgyűjtemény | 31.40% | 121 ellenőrzött internetes kép |
| 2. külső képgyűjtemény | 31.69% | 119 ellenőrzött internetes kép |
Egy külön maniókavizsgálat kiviszi a kamerát a szántóföldre
Ramcharan és munkatársai 2019-es tanulmánya Tanzániában értékelt egy mobil maniókabetegség-felismerő rendszert. Állóképeket és videót vizsgált, és megkülönböztette az enyhe és kifejezett tüneteket. A teljesítmény az értékelési körülmények szerint változott; az enyhe tünetek különösen nehéz feladatot jelentettek. A manióka szántóföldi vizsgálata.
Ez a munka a PlantVillage-tanulmánytól eltérő növényt, modellt, adatállományt és értékelési tervet használ. Eredményeit nem szabad egyetlen pontossági rangsorba összevonni. Itt azért hasznos, mert a szántóföldi körülményeket és a tünetek megjelenését a vizsgálat részévé teszi, nem a bevezetés után megoldandó részletként kezeli.
A Hamfy értelmezésében a kamerás próbaüzemnek reprezentatív nehéz esetekre is szüksége van. A kizárólag nyilvánvaló tüneteken értékelt rendszer kevés bizonyítékot adhat a növényállományt ellenőrző munkatárs számára fontos korai jelekről. Döntse el, hogy a feladat az ellenőrzések rangsorolása, egy már látható mintázat felismerése vagy egy pontosabb diagnózis támogatása, és ehhez igazítsa az értékelést.
Arra a nézetre tervezzen vizsgálatot, amelyet a termesztő ténylegesen használ majd
Először dokumentálja a kamera szokásos nézetét: a távolságot, szöget, világítási állapotot, látható termesztőterületet és várható takarásokat. A végleges modell kiválasztása előtt gyűjtsön mintát több fejlődési szakaszból. A rossz képminőséget és a biológiai kétértelműséget külön tartsa nyilván, mert eltérő javító intézkedést igényelnek.
A PlantCV képrögzítési útmutatója a tervezett elemzéshez igazított felvételkészítést támogatja. Telepített kameránál a Hamfy a mintaképek közös áttekintését javasolja azzal, aki az eredményt használni fogja. Ha az emberi értékelő sem tudja megbízhatóan értelmezni a választott nézetet, tisztázza, milyen további nézetre vagy mérésre van szükség.
A független vizsgálatot a következő tervezett alkalmazáshoz igazítsa. Szükség szerint különítsen el egy termesztési ciklust, zónát vagy helyszínt, és ne használja annak címkézett eredményeit a modell folyamatos hangolására úgy, hogy közben végső tesztnek nevezi. Az értékelés megkezdése előtt rögzítse a modellverziót, a döntési küszöböt és a bizonytalan kimenetek kezelését.
Számolja meg, hány igazolt eseményt talál meg a rendszer és hányat mulaszt el, majd mérje a téves riasztások által okozott ellenőrzési munkaterhet. Mindkettőből őrizzen meg példákat. Egy összesített százalék csak akkor hasznos, ha a csapat vissza tudja vezetni a feladatra, a tesztelt mintára és az ellenőrzési szabályokra.
A bizonytalan megfigyelést kövesse hasznos következő lépés
A bizonytalanság kezelésének a munkafolyamat részét kell képeznie: kérjen újabb nézetet, továbbítsa a megfigyelést ellenőrző munkatársnak, vagy kérjen kiegészítő mérést. Elégtelen bizonyíték mellett ne kényszerítse a szoftvert magabiztos betegségcímke hozzárendelésére. Határozza meg, ki felel a követésért, és az eredménye hogyan kerül az értékelési nyilvántartásba.
A megfigyelési tanácsot különítse el az automatikus termesztési beavatkozástól. Mielőtt egy rendszer termesztési feltételt változtathat, az adott művelethez megfelelő bizonyítékokra és szabályozási korlátokra van szüksége. Az állományellenőrzés rangsorolását segítő kamera e további képesség állítása nélkül is értékes első projekt lehet.
A NIST AI-keretrendszere a használat teljes ideje alatti értékelést és nyomon követést támogatja. Alkalmazási javaslatunk szerint a kamera beállítása, a növény, a termesztési mód vagy a modellverzió változásakor felülvizsgálatot kell tartani, és rögzíteni kell, hogy a korábbi átvételi eredmény továbbra is érvényes-e.
A régebbi tanulmányok nem jelölik ki a mai AI teljesítményének felső határát. Azt mutatják meg, miért kell egy alkalmazási állításhoz az adott alkalmazásból származó bizonyíték. Beltéri kamerás próbaüzemi útmutatónk ezt a tanulságot a feladat meghatározásának és átvételének folyamatává alakítja.
Gyakori kérdések
Ez azt jelenti, hogy a kamerák nem segíthetnek a növényi problémák felismerésében?
Nem. Azt jelenti, hogy az állított feladatot a tervezett körülmények között kell vizsgálni. Az állományellenőrző munkatárs feladatainak rangsorolása akkor is hasznos lehet, ha a kamera önmagában nem tudja igazolni a tünet biológiai okát.
Mit adjon a szállító a pontossági szám mellé?
Kérje a feladat meghatározását, a tesztelt minta leírását, a mérőszámot, a modellverziót, az értékelési körülményeket és a hibák példáit. Üzemi próba esetén azt is tisztázza, hogyan jelentik az elmulasztott eseményeket, ismételt riasztásokat, bizonytalanságot és kezelői munkaterhet.
Források és kutatás
A cikkhez kiválasztott elsődleges források. A Hamfy ellenőrzésének dátuma: .
A növénybetegség-felismerő AI eredményeinek értelmezése a vizsgálati háttér megőrzésévelKutatási háttéranyag · vizsgálati kör, megállapítások és korlátok- Lektorált kísérleti tanulmány · 2016Using Deep Learning for Image-Based Plant Disease DetectionMohanty, Hughes & Salathé · Frontiers in Plant Science
A három közölt értékelési eredmény forrása. DOI: 10.3389/fpls.2016.01419. A külső képeken végzett teszteket a Discussion rész ismerteti.
- Lektorált szántóföldi értékelés · 2019A Mobile-Based Deep Learning Model for Cassava Disease DiagnosisRamcharan et al. · Frontiers in Plant Science
Külön szántóföldi példát ad az állókép és videó, valamint a tünetek súlyosságának összehasonlításával. Mérőszámai nem közvetlenül felcserélhetők a PlantVillage pontosságával.
- Műszaki dokumentáció · v4.4Analysis approachesPlantCV documentation
A képrögzítés tervezését a kívánt megfigyeléshez és elemzéshez igazítja.
- Nyilvános keretrendszer · 2023AI Risk Management Framework: CoreNIST
Általános alapot ad a környezethez igazított értékeléshez és a folyamatos nyomon követéshez.
Pontosítást javasolna, vagy további igazolt projekteredményei vannak? Írjon a Hamfy csapatának.
A kamerát a fontos döntésekhez mérje
A Hamfy segít meghatározni a megfigyelést, az adatállományt és az ellenőrzési folyamatot egy körülhatárolt kamerás próbaüzemhez az Ön termesztőlétesítményében.
