通过将自信机器学习与ResNet-18集成来实现Alfalfa (Medicago sativa L.) 根结构架构的表型化
Brandon J Weihs1,2,3, Zhou Tang4, Zezhong Tian5
1United States Department of Agriculture-Agricultural Research Service-Plant Science Research, St. Paul, MN 55108, USA.
Plant phenomics (Washington, D.C.)
|September 12, 2024
概括
这项研究使用人工智能来提高从图像中分类草根系统架构 (RSA) 的准确性. 机器学习方法减少了图像标签噪声,提高了植物特征改进的预测准确度.
科学领域:
- 植物科学 植物科学
- 计算机科学 计算机科学
- 遗传学 是一个遗传学.
背景情况:
- 根系架构 (RSA) 对植物改进至关重要,基于图像的分析提供了新的表型化途径.
- 图像标签噪声是RSA表型化的一个重大挑战,降低了模型的准确性.
- 人工智能 (AI) 和机器学习 (ML) 可以在RSA分析中解决这些挑战.
研究的目的:
- 开发和应用人工智能方法,直接从图像中对子RSA进行分类.
- 通过尽量减少主观标签错误来提高标签和预测准确度.
- 评估RSA图像数据的自信学习 (CL) 和反应性学习 (RL) 的有效性.
主要方法:
- 利用人工智能模型直接基于图像的 (Medicago sativa L.) 的RSA分类.
- 实施自信学习 (CL) 和反应式学习 (RL) 方法,以改善标签.
- 将模型输出与手动分类进行比较,并测试了各种数据组合.
主要成果:
- 在跨种群预测中,CL提高了ResNet-18模型准确度约8%至13%.
- 使用CL和/或RL校正的数据集,实现了塔根RSA预测的最高准确度 (86%).
- 在 ResNet-18 模型中,在集成的数据集上使用 CL 实现了 ~75% 的整体准确性.
结论:
- 深度神经网络 (DNN) 预测准确度对于的RSA图像标签增加与CL和RL.
- 半自动数据清理 (CL/RL) 可以通过减少过度拟合和纠正标签错误,提高准确率高达11%~13%.
- 这些人工智能驱动的方法提高了基于图像的RSA植物育种表型的可靠性.
