211service.com
Hoe Moss Machine Vision hielp om een achilleshiel te overwinnen
In de afgelopen jaren hebben diepgaande algoritmen een revolutie teweeggebracht in de manier waarop machines objecten herkennen. State-of-the-art algoritmen presteren gemakkelijk beter dan mensen bij het identificeren van gewone dingen zoals tafels, stoelen, auto's en zelfs gezichten.
Maar deze algoritmen hebben een achilleshiel: sommige dingen kunnen ze gewoon niet zien. Machine vision is bijvoorbeeld niet goed in het herkennen van dingen als grassen en kruiden, omdat ze amorfe vormen hebben die moeilijk te definiëren zijn.
Een tafel heeft over het algemeen vier poten en een plat oppervlak, kenmerken die machine learning goed kan identificeren. Daarentegen kunnen grassen en kruiden van dezelfde soort verschillende groottes hebben en verschillende aantallen bladeren, zaden, enzovoort hebben, afhankelijk van de groeiomstandigheden. Dat maakt het moeilijk voor machine vision om ze te herkennen, vooral als ze niet in bloei staan.
Machines vinden het net zo moeilijk om bomen te identificeren op luchtfoto's of gewassen op satellietbeelden. Wat nodig is, is een nieuwe aanpak die dieplerende algoritmen kan trainen om hun magie uit te oefenen op objecten met een dubbelzinnige vorm.
Voer Takeshi Ise en vrienden op de Kyoto University in Japan in. Deze jongens hebben een eenvoudige techniek ontwikkeld waarmee dieplerende machines deze amorfe planten kunnen herkennen. Ze hebben de nieuwe techniek op de proef gesteld door hem verschillende soorten mos te leren herkennen, een plant met een moeilijk te definiëren vorm.
Het team is goed geplaatst om mos te bestuderen, gezien het beroemde warme en natte klimaat van Kyoto, dat de groei ervan bevordert. Ise en co begonnen met het fotograferen van mos in een traditionele Japanse tuin in Kyoto, Murin-An genaamd, waar het wordt verbouwd.
Ze identificeerden drie soorten mos en fotografeerden elk afzonderlijk, maar ook op plaatsen waar ze allemaal aanwezig zijn, samen met andere niet-mosachtige planten en kenmerken. Elke foto is gemaakt met een digitale camera, zoals een Olympus OM-D E-M5 Mark II, met een 50 mm lens (of equivalent) vanaf een afstand van 60 centimeter direct boven de mosmatten. Deze afbeeldingen hebben 4608 x 3456 pixels.
Het doel van hun deep-learning algoritme is om de verschillende soorten mos in één afbeelding te identificeren en het mos te onderscheiden van andere objecten en planten.
Hun methode is eenvoudig. Om het algoritme te trainen, verdeelt het team elke afbeelding van een specifiek mos in veel kleinere gebieden van 56 x 56 pixels, met een overlap van 50 procent. Op deze manier genereert de originele afbeelding zo'n 90.000 afbeeldingen, waarvan ze 80 procent gebruiken om hun algoritme te trainen en de rest om het te testen.
Hoewel de trainingsopnamen zijn gemaakt van een uniforme mat van een bepaald type mos, kunnen deze matten kleine gebieden met andere mossen bevatten. Dus het team onderzocht alle trainingsbeelden en verwijderde de beelden van buitenaardse mossen met de hand. Dat liet afbeeldingen achter van drie soorten mos: Polytrichum , Trachycystis , en De hype -evenals niet-mos functies. Alle trainingsafbeeldingen kunnen vervolgens als een van deze typen worden gelabeld en in de deep-learningmachine worden ingevoerd.
De resultaten zijn indrukwekkend. Met behulp van deze methode leerde het algoritme snel elk type mos met goede nauwkeurigheid herkennen. Toen de onderzoekers het algoritme loslieten op een enkele afbeelding met verschillende soorten mos, was het in staat om de mossen in verschillende delen van de afbeelding nauwkeurig te identificeren. Het model classificeerde testbeelden correct met een nauwkeurigheid van meer dan 90%, zeggen ze.
Het algoritme doet het beter voor sommige soorten mos dan voor andere. De geschatte prestaties voor Polytrichum is 99% [herkenningsnauwkeurigheid], Trachycystis is 95%, en De hype is 74%, zeggen Ise en co.
De lagere nauwkeurigheid voor De hype is omdat deze plant meer amorf is dan de andere, met minder goed gedefinieerde groeivormen. Daarentegen, Polytrichum heeft een kenmerkende, goed gedefinieerde vorm.
Het team zegt dat er verschillende manieren zijn om de nauwkeurigheid te verbeteren, zoals het bouwen van een trainingsset met foto's die zijn gemaakt op verschillende tijdstippen van het jaar wanneer de De hype Vooral mos kan er meer onderscheidend uitzien. Of de witbalans op de digitale camera kan worden gestandaardiseerd om een nauwkeurigere kleurweergave voor elk mos te krijgen.
De resultaten zijn in ieder geval veelbelovend voor de toekomst. De techniek kan worden toegepast op luchtfoto's om bomen en planten beter te identificeren in beelden die van bovenaf zijn genomen. Dat zou enorm handig zijn voor inventarisatie in het wild of in grote beheerde gebieden zoals boerderijen en bossen.
Ondertussen zeggen Ise en co dat ze van plan zijn een app te ontwikkelen waarmee mensen mos kunnen identificeren met een smartphone. Dat zou populair kunnen zijn bij tuinders.
Referentie: arxiv.org/abs/1708.01986 : 3 soorten mos identificeren door diepgaand te leren, met behulp van de Chopped Picture-methode