机器学习支持的计算机视觉用于植物表型:关于AI/ML的入门书和关于口腔模式的案例研究.
Grace D Tan1,2, Ushasi Chaudhuri3, Sebastian Varela4,5
1Carl R. Woese Institute for Genomic Biology, University of Illinois at Urbana-Champaign, Urbana, IL 61801, USA.
Journal of experimental botany
|October 4, 2024
概括
人工智能和机器学习 (AI/ML) 模型可以从植物图像中快速估计口腔特征. 然而,它们的应用往往受到表型多样性的限制,需要进一步研究以获得更广泛的实用性.
科学领域:
- 植物生物学 植物生物学
- 计算生物学 计算生物学
- 图像分析 图像分析
背景情况:
- 人工智能和机器学习 (AI/ML) 为分析大型生物图像数据集提供了强大的工具.
- 从图像中估计植物特征数据是一个关键的应用,而口腔特征具有显著的兴趣.
研究的目的:
- 审查39篇关于AI/ML模型的论文,以估计从表皮微图上获得的口腔特征.
- 为植物生物学家提供对AI/ML能力和局限性的理解.
- 总结AI/ML支持的口腔表型的当前进展和挑战.
主要方法:
- 对39篇研究论文进行了系统的文献审查.
- 分析AI/ML模型开发和用于口腔特征估计的应用.
- 评估跨遗传,环境和发育变异的模型性能.
主要成果:
- 大多数AI/ML模型在高速速度下实现人类水平的表达,以量化口腔密度.
- 模型的概括性通常在各种表型变异中是有限的.
- 一些模型预测额外的特征,但需要大量的基础真相数据生成.
结论:
- 人工智能/ML对加速口腔表型形成有很大的前景.
- 在表型多样性跨越模型适用性方面仍然存在挑战.
- 未来的工作应该专注于推进人工智能/ML支持的计算机视觉,以进行更广泛的植物特征分析.


