В новом исследовании представлена методика обучения без предварительного обучения (zero-shot learning, ZSL) для фенотипирования початков кукурузы, позволяющая извлекать геометрические признаки и оценивать урожайность как в лабораторных, так и в полевых условиях без необходимости переобучения модели.
Кукуруза - важная в глобальном масштабе основная сельскохозяйственная культура, обеспечивающая значительную долю мирового потребления калорий и являющаяся важным источником кормов для скота и биотоплива.
Точное и эффективное фенотипирование початков кукурузы имеет важное значение для селекционных программ, управления посевами и оптимизации урожайности.
Традиционные методы измерения геометрических признаков (например, длины, диаметра и так далее) трудоемки, занимают много времени и подвержены ошибкам из-за субъективного человеческого наблюдения.
Хотя для фенотипирования початков кукурузы доступно множество коммерческих машин, их применение часто ограничено из-за необходимости использования контролируемых лабораторных условий и сбора початков в поле. Кроме того, такие машины дороги и недоступны для многих селекционных подразделений.
Эти ограничения препятствуют эффективности и точности их применения в крупномасштабном сельском хозяйстве в полевых условиях. Следовательно, существует острая необходимость в масштабируемых и автоматизированных решениях, при этом машинное обучение и компьютерное зрение становятся многообещающими технологиями для преодоления этих ограничений.
Недавно опубликованное в журнале Smart Agricultural Technology исследование по этой теме было проведено под руководством профессоров Чжан Мяо и У Бинфан из Института аэрокосмической информации Китайской академии наук (AIRCAS) в сотрудничестве с исследователями из Хубэйского университета, Университета Квинсленда и Института сельскохозяйственных ресурсов и регионального планирования Китайской академии сельскохозяйственных наук.
Исследовательская группа разработала структуру ZSL, интегрирующую модель обнаружения объектов с помощью текста Grounding DINO (то есть модель позволяет детектировать объекты на изображениях по текстовому описанию), облегченную сегментацию изображений и калиброванное извлечение геометрических признаков.
Благодаря использованию текстовых подсказок и семантических вложений, данная структура представляет собой масштабируемую и экономически эффективную альтернативу трудоемким ручным измерениям и моделям контролируемого обучения, требующим больших объемов данных. Исследователи отметили, что она продемонстрировала надежную работу с лабораторными и полевыми наборами данных, охватывающими различные генотипы и экогеографические регионы.
Ключевые результаты подчеркивают эффективность разработанной системы: она обеспечивает точность обнаружения (98–100%), сегментации (средняя точность 99,6%) и оценки признаков (коэффициент корреляции r > 0,95 для ключевых показателей), а также позволяет быстро прогнозировать урожайность (коэффициент детерминации R² до 0,93).
В исследовании описаны три основных преимущества нового подхода. Во-первых, он обладает возможностью обобщения, что позволяет применять его к сортам кукурузы с различными генотипами и в разнообразных экологических и географических условиях без переобучения.
Во-вторых, он совместим с изображениями, полученными с помощью обычных устройств, таких как смартфоны и сканеры документов, что позволяет собирать данные непосредственно на месте при различных условиях освещения и исключает необходимость в строго контролируемых условиях.
В-третьих, его облегченная конструкция значительно снижает вычислительные требования, облегчая расчет признаков в реальном времени и развертывание на периферийных устройствах.
Этот полностью автоматизированный конвейер эффективно преодолевает разрыв между точными лабораторными измерениями и крупномасштабными полевыми исследованиями. Полученные результаты не только предоставляют инструмент фенотипирования для селекции кукурузы, но и обеспечивают техническую поддержку для прогнозирования урожайности и управления точным земледелием. Путем корректировки подсказок и параметров, система может быть адаптирована для фенотипического анализа других культур.
Источник: Chinese Academy of Sciences. Автор: Ли Яли.
На фото: обнаружение початков кукурузы с использованием модели Grounding DINO на основе различных наборов изображений. Источник: Smart Agricultural Technology (2025). DOI: 10.1016/j.atech.2025.101643
Интересна тема? Подпишитесь на наши новости в ДЗЕН | Канал в Telegram | Группа Вконтакте | Дзен.новости.