機械学習を用いた投影面積の小さい高密度植物画像のセグメンテーションにおける困難の克服

背景:

• ハイパースペクトルイメージング（HSI）を用いた個々の樹木のセグメンテーションは、畑作物と比較して一般的ではありません。
• 針葉樹の評価は、森林学にとって不可欠であり、早期治療のためのHSIやハイスループットフェノタイピング（HTP）などの非破壊的方法が必要です。
• 針葉樹の針は、広葉樹とは異なり、空間分解能と境界ピクセルの割合のためにセグメンテーションの課題を提示します。

研究 の 目的:

• スコッチパイン（Pinus sylvestris L.）苗をセグメント化および分離するためのハイパースペクトル画像処理パイプラインを開発すること。
• K平均法クラスタリングを使用して苗を異なるグループに分類し、それらの生理学的状態を評価すること。
• 水ストレス下でのエコツペ起源に基づいてスコッチパイン苗を機械学習を使用して区別すること。

主な方法:

• スコッチパイン苗のセグメンテーションのためのハイパースペクトル画像処理パイプラインを開発しました。
• K平均法アルゴリズムを適用して23のハイパースペクトル中心を導出し、それらを10の異なるグループに分類しました。
• ランダムフォレスト分類モデルを使用して、水ストレスおよび回復下での起源に基づいて苗を区別しました。

主要な成果:

• ハイパースペクトルデータから個々のスコッチパイン苗をセグメント化し、分離することに成功しました。
• ハイパースペクトル中心を導出し分類し、10の生物学的に異なるグループを特定しました。
• ランダムフォレストモデルは、水ストレスおよび回復期間中に苗木の起源を正確に区別しました。

結論:

• ハイパースペクトルイメージングと機械学習を組み合わせることで、針葉樹苗の生理学的状態を評価するための強力なアプローチが提供されます。
• この方法論は、森林樹木生理学研究および育種プログラムにおける応用において大きな可能性を示しています。
• 開発されたパイプラインは、早期の針葉樹管理に不可欠な、非破壊的でハイスループットな評価を可能にします。