Découvrez Eff-3DPSeg : un cadre d’apprentissage en profondeur pour la segmentation 3D des pousses végétales au niveau des organes

L’apprentissage profond est désormais utilisé dans divers domaines. Il est également utilisé dans les plantes à diverses fins. La segmentation 3D des pousses végétales a considérablement progressé grâce à l’intégration de techniques d’apprentissage profond avec des nuages ​​de points. Traditionnellement, les méthodes 2D étaient utilisées mais se heurtaient à des difficultés de perception approfondie et de détermination structurelle. L’imagerie 3D a résolu ces limites, offrant une meilleure analyse des caractères lors de l’extraction des caractères phénotypiques des plantes. Cependant, l’imagerie 3D présente également le défi de devoir étiqueter soigneusement chaque point de l’image, ce qui est une opération coûteuse et longue. Ainsi, les chercheurs ont étudié l’utilisation de modèles d’apprentissage supervisé, qui utilisent moins de points étiquetés.

Par conséquent, dans une étude récente intitulée Eff-3DPSeg : segmentation 3D des pousses de plantes au niveau des organes à l’aide d’un apprentissage profond efficace par annotation, les chercheurs ont introduit Eff-3DPSeg, un cadre d’apprentissage profond faiblement supervisé pour la segmentation des organes végétaux. Ce cadre utilise une plate-forme phénologique stéréo multi-vues (MVSP2) et acquiert des nuages ​​de points provenant de plantes individuelles. Ces nuages ​​de points sont ensuite annotés à l’aide d’un Plant Annotator (MPA) basé sur Meshlab.

Pour ce cadre, les chercheurs ont procédé en deux étapes. Tout d’abord, ils ont reconstruit des nuages ​​de points haute résolution de plants de soja à l’aide d’un système de photogrammétrie peu coûteux, et un annotateur de plantes basé sur Meshlab a été développé pour l’annotation des nuages ​​de points de plantes. Après cela, ils ont utilisé une méthode d’apprentissage profond faiblement supervisée pour la segmentation des organes végétaux. Pour ce faire, ils ont d’abord pré-entraîné le modèle avec seulement environ 0,5 % de points étiquetés, puis l’ont affiné en utilisant la perte de goulot d’étranglement du point de vue pour apprendre une représentation significative de la structure intrinsèque à partir de nuages ​​de points bruts. Ensuite, ils ont extrait trois traits phénotypiques : la longueur, la largeur et le diamètre de la tige des feuilles.

Ensuite, les chercheurs ont testé les performances du cadre à différents stades de croissance sur un vaste ensemble de données spatio-temporelles sur le soja. Ils ont comparé cela avec des techniques entièrement étiquetées sur des plants de tomates et de soja. Les résultats de la segmentation tige-feuille étaient précis mais comportaient de petites erreurs de classification au niveau des jonctions et des bords des feuilles. De plus, l’approche a donné de meilleurs résultats sur des structures d’usine moins complexes et a atteint une plus grande précision avec des ensembles d’apprentissage plus grands. En outre, les résultats quantitatifs ont montré des gains notables par rapport aux techniques de base, en particulier dans des environnements moins supervisés.

Cependant, l’étude s’est également heurtée à certaines limites. Il présentait des limites liées aux lacunes dans les données et à la nécessité d’une formation distincte pour différentes tâches de segmentation. Les chercheurs ont souligné qu’ils se concentreraient sur l’amélioration du cadre à l’avenir. Ils souhaitent également élargir la gamme de classifications de plantes et de phases de croissance effectuées dans ce cadre et améliorer la diversité de la méthode.

En conclusion, le framework Eff-3DPSeg peut s’avérer être une avancée significative dans la segmentation 3D des pousses végétales. Son processus d’annotation efficace et ses capacités de segmentation précises offrent un grand potentiel pour améliorer le débit élevé. En outre, Eff-3DPSeg surmonte les défis des processus d’étiquetage coûteux et longs grâce à son apprentissage en profondeur faiblement supervisé et à ses techniques d’annotation innovantes.