Fenotypische data is belangrijk voor effectieve plantveredelings-programma's. In de praktijk worden vaak mensen gebruikt om data te verzamelen. Technologie om digitaal te fenotyperen kan bijdragen aan de objectiviteit van data en de hoeveelheid arbeid die nodig is om de data te verzamelen verlagen. In het promotieonderzoek van Frans Pieter Boogaard van de Wageningen University & Research lag de focus op het meten van plant architectuur, waarbij komkommer als modelgewas is gebruikt. Vanwege de 3-dimensionale (3D) structuur van de plantonderdelen is een fenotyperissysteem ontwikkeld dat 3D puntenwolken van de komkommerplanten kan genereren en analyseren.
Deep learning
Als eerste stap is een algoritme ontwikkeld gebruik makend van deep learning, om de verschillende plantonderdelen te kunnen herkennen in de puntenwolken. Frans Boogaard (promovendus) heeft aangetoond dat de resultaten van dit algoritme verbeterd konden worden door de beschikbaarheid van spectrale data in de puntenwolken. Echter, met name het herkennen van de kleinere plantonderdelen bleef lastig. De belangrijkste reden hiervoor was dat voor deze plantonderdelen minder trainingsdata beschikbaar was. Een trainingsstrategie om dit ‘class imbalance’ probleem aan te pakken is ontwikkeld, waarmee de herkenning van de kleinere plantonderdelen in de 3D puntenwolken significant is verbeterd.
De gesegmenteerde puntenwolken zijn ten slotte gebruikt om de 3D internode lengte van de komkommerplanten te meten. Om de toegevoegde waarde van 3D data te kwantificeren zijn de gemeten internode lengtes vergeleken met internode lengtes die aan de hand van 2D foto’s van dezelfde planten zijn bepaald. De resultaten toonden aan dat 3D data essentieel is voor het nauwkeurig beoordelen van plantarchitectuur. Het onderzoek waarop Frans op 22 mei promoveerde is hier te bekijken.
Bron: WUR