科学家们开发了一种机器学习工具，可以在最少的外部指导下自我学习，从 aerial（航空）图像中区分开花和非开花草坪，这一进展将大大加快农业田间研究的步伐，他们说。这项工作是利用数千种芒草（Miscanthus）的图像进行的，每种都有自己特定的开花特征和时间。
科学家们开发了一种机器学习工具，可以在最少的外部指导下自我学习，从 aerial（航空）图像中区分开花和非开花草坪，这一进展将大大加快农业田间研究的步伐，他们说。这项工作是利用数千种芒草（Miscanthus）的图像进行的，每种都有自己特定的开花特征和时间。
在不同生长周期的不同条件下准确区分作物特征是一项艰巨的任务，伊利诺伊大学香槟分校植物生物学和作物科学教授安德鲁·李基（Andrew Leakey）表示，他与先进生物能源和生物产品创新中心的科学家塞巴斯蒂安·瓦雷拉（Sebastian Varela）共同领导了这项新研究。
李基表示，这种新方法应适用于许多其他作物和计算机视觉问题。
研究结果报告在期刊《植物生理学》（Plant Physiology）上。
“开花时间是影响生产力和许多作物（包括Miscanthus）适应不同种植区域的关键特征，”李基说。“但是在广泛的田间试验中对数千株单一植物进行重复的视觉检查非常耗费劳动力。”通过利用航空无人机收集图像并使用人工智能从这些图像中提取相关数据，可以简化这个过程并使其更易于管理。但李基说，构建能够区分复杂图像中微妙特征的人工智能模型通常需要大量的人类标注数据。“生成这些数据非常耗时。深度学习方法往往非常依赖上下文。”
这意味着，当上下文发生变化时——例如，当模型必须区分不同作物的特征或相同作物在不同地区或时间的特征时——它很可能需要使用反映这些新条件的新标注图像进行重新训练，李基说。
“有很多例子表明，人们提供了使用人工智能加速传感器技术应用的概念验证，从叶片传感器到卫星，涵盖育种、土壤和作物科学的应用，但目前并没有被广泛采用，或者说没有达到你可能期望的那样广泛。我们认为其中一个主要原因是训练人工智能工具所需的巨大努力，”李基说。
为了减少对人工标注训练数据的需求，瓦雷拉转向了一种众所周知的方法，促使两个人工智能模型相互竞争，这被称为“生成对抗网络”（GAN）。GAN的一个常见应用是一个模型生成期望场景的虚假图像，第二个模型审查这些图像以确定哪些是虚假，哪些是真实。随着时间的推移，模型会相互改进，瓦雷拉说。模型一生成更逼真的虚假图像，而模型二则变得更擅长于区分虚假图像和真实图像。
在这个过程中，模型在特定主题上获得视觉专业知识，使它们能够更好地解析所遇到的任何新图像的细节。瓦雷拉假设他可以利用这种自我生成的专业知识，减少训练模型以区分多种不同作物所需的标注图像数量。在这个过程中，他创建了一个“有效监督的生成对抗网络”（ESGAN）。
在一系列实验中，研究人员测试了他们的ESGAN对现有人工智能训练协议的准确性。他们发现ESGAN“将对人工标注数据的要求降低了一个到两个数量级”，相较于“传统的完全监督学习方法”。
新发现代表了开发和使用定制训练的机器学习模型以确定开花时间所需努力的重大减少，“涉及其他地点、育种种群或物种，”研究人员报告说。“这种方法为克服生物学和数字农业其他领域的类似挑战铺平了道路。”
李基和瓦雷拉将继续与芒草育种者埃里克·萨克斯（Erik Sacks）合作，将新方法应用于多州芒草育种试验的数据。该试验旨在开发适合区域的芒草品系，这些品系可作为生产生物燃料和高价值生物产品的原料，在目前不盈利的耕地上进行。
“我们希望我们的新方法能够被其他人使用，以简化涉及多种特征和物种的作物改进的人工智能工具的采用，从而广泛促进生物经济，”李基说。
李基是伊利诺伊大学卡尔·R·沃斯基基因组生物学研究所、可持续性、能源与环境研究所和数字农业中心的教授。
美国能源部科学办公室、生物和环境研究办公室；美国农业部农业和食品研究倡议；以及Tito’s Handmade Vodka支持了这项研究。
