Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מאגר תמונות רב-זוויתי ורב-פוזות של עגבנייה לפנוטייפינג דק-גרעיני

· חזרה לאינדקס

מדוע עגבניות ומצלמות חכמות חשובים

עגבניות אינן רק מרכיב בסלט; הן אחד הגידולים החשובים בעולם ומנוע עבודה מרכזי במדעי הצמחים. מאמצי מאלגים וחוקרים עוסקים ברציפות בבחינה מפורטת של צמח העגבנייה — כיצד עלים גדלים, מתי פרחים נפתחים, כיצד פירות משתנים בצבעם — כדי ליצור זנים עמידים, טעימים ומותאמים יותר. עם זאת, בדיקה קרובה זו נעשית בדרך כלל בעין האדם, שהיא איטית, קשה לשחזור ועלולה להשתנות בין מבקרים. מאמר זה מציג את TomatoMAP, אוסף גדול ומתוכנן בקפידה של תמונות עגבניות המאפשר למחשבים לבחון צמחים מזוויות רבות, ובכך מצמצם את ההשערות האנושיות בהערכת הצמח.

Figure 1
Figure 1.

ספריית תמונות חדשה של גדילת העגבנייה

TomatoMAP הוא מאגר תמונות מקיף המתמקד בעגבנייה התרבותית, Solanum lycopersicum. הוא מכיל 68,080 צילומי צבע המתעדים את חיי 101 צמחים שגדלו בחממה במשך למעלה מחמישה חודשים. במקום מספר תמונות בודדות, כל צמח מצולם שוב ושוב ככל שהוא גדל, תוך תיעוד שלבים שונים כגון פריחה והבשלת פרי. עבור כל תמונה מספקים המומחים תוויות עשירות: תיבות פשוטות המסמנות שבעה אזורים מרכזיים — עלים, אשכולות פרחים, אשכולות פירות, נבטים ועוד — ותוויות של שלב הגדילה על סמך סולם סטנדרטי שנפוץ בקרב אגרונומים. בקבוצת תמונות נפרדת של צילומי קירוב, ניצנים, פרחים ופירות פרטניים מוענקים עד לרמת פיקסל, מה שמאפשר ניתוח דק-גרעיני מאוד.

לראות את הצמחים מכל צד

לאיסוף מאגר זה בנו החוקרים תחנת דימות ייעודית שמשלבת פלטפורמה מסתובבת עם ארבע מצלמות מסונכרנות. צמחי עגבנייה שגודלו בתנאי חממה מבוקרת מונחים על פלטפורמת סיבוב המסתובבת בצעדים של 30 מעלות להשלמת מעגל מלא. בכל צעד מצלמות הממוקמות בארבעה גבהים וזוויות צולמות בו-זמנית, ומייצרות מבט רב-זוויתי על אותה פוזת צמח. במשך 163 ימים, ההתקנה הזאת הפיקה יותר מ-64,000 תמונות ברזולוציה בינונית לסיווג שלבי גדילה ולזיהוי איברים, בתוספת 3,616 צילומי קירוב ברזולוציה גבוהה לסגמנטציה מפורטת. העיצוב הרב-מבטי הזה שומר על מבנה תלת-ממדי — למשל כיצד עלים חופפים זה את זה או כיצד מסודרים אשכולות פרחים ופירות — שקשה לתפוס בתמונות שטוחות בודדות.

להקנות למחשבים את היכולת לקרוא תכונות צמחים

TomatoMAP אינו רק גלריית תמונות; הוא גם קרש ניסויים לבינה מלאכותית מודרנית. הקבוצה אימנה והעריכה מודלים קלים ומהירים של ראייה ממוחשבת שנבחרו לשימוש אפשרי בזמן אמת בחממות. רשת קומפקטית לסיווג תמונה למדה להקצות שלבי גדילה לצמחים. מודל זיהוי עצמים יעיל למד לאתר חלקי צמח כגון עלים, אשכולות פרחים ואשכולות פירות בכל פריים. עבור תמונות הקירוב, מודל סגמנטציה של מופעים עקב את קו המתאר המדויק של ניצנים, פרחים ופירות בודדים, והבחין בין שלבי התפתחות מוקדמים ומאוחרים על בסיס גודל וצבע. המחברים מראים שמודלים אלה מגיעים לדיוק גבוה, במיוחד עבור פרחים ופירות גדולים יותר, ויכולים לפעול במהירות מספקת לשימוש מעשי במעקב רציף.

Figure 2
Figure 2.

בניית תהליך דיגיטלי שלב-אחר-שלב

כדי להפוך את הפנוטייפינג האוטומטי לאמין יותר, החוקרים תכננו זרימת עבודה "מפלסית" בת שלושה שלבים. ראשית, הנתונים מאורגנים מתמונות כלליות של הצמח לכלל סגמנטציות מפורטות. שנית, המודלים מסודרים בשרשרת: מסווג שלבי גדילה מנחה אילו צמחים או נקודות זמן מועברים למתגל, שמבליט אז את האזורים הרלוונטיים ביותר למודל הסגמנטציה לחדד. לבסוף, התוצרים של כל המודלים משולבים לתיאור מתואם של תכונות כל צמח, כגון מספר הפירות שנמצאים ואיזה שלבים הם עברו. על ידי מבנה כזה של הנתונים והמודלים, שגיאות פחות נוטות להצטבר, וכל שלב ניתן לשפר או להחליף ללא בנייה מחדש של כל המערכת.

כמה מוצלחים המכונות ביחס לעין האנושית

מכיוון שמומחים אנושיים לא תמיד מסכימים ביניהם, הקבוצה בדקה בקפידה עד כמה המודלים והמומחים מתואמים. הם השוו מאות תמונות שסומנו באופן עצמאי על ידי חמישה מומחים ובידי מודל זיהוי מאומן. באמצעות מדד סטנדרטי של הסכמה, הן השוואות מומחה–מומחה והן השוואות AI–מומחה הראו עקביות "כמעט מושלמת". ממצא זה מרמז ש, לפחות עבור המבנים והשלבים הנחקרים כאן, השיטות הממוכנות יכולות להשיג מהימנות דומה לזו של צופים אנושיים מיומנים תוך הימנעות מעייפות וחוסר עקביות.

מה משמעות הדבר עבור גידולים עתידיים

TomatoMAP מדגים כי עם תצורת הדימות הנכונה ואנוטציה מדוקדקת, מחשבים יכולים לעקוב באופן עשיר אחר גדילת העגבנייה מזוויות רבות — ובהתנהלות שמשקפת במידה רבה את שיפוט המומחים. עבור מאלגים וחקלאים, הדבר פותח דלת לסינון מהיר ואובייקטיבי של זנים ותנאי גידול חדשים, מהערכת עומס הפרי ועד גילוי הבדלים עדינים בארכיטקטורת הצמח. בעוד שחלק מאיברי הצמח עדיין קשים ללכידה מושלמת ונדרש עוד עבודה כדי להתאים מודלים למכשירים ספציפיים, מאגר זה יוצר בסיס לפנוטייפינג דיגיטלי בקנה מידה שיכול להפחית הטיות ובסופו של דבר לעזור להעביר גידולים עמידים ופוריים יותר מניסויים בחממה אל שולחן האוכל.

ציטוט: Zhang, Y., Struckmeyer, S., Kolb, A. et al. Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping. Sci Data 13, 309 (2026). https://doi.org/10.1038/s41597-026-06926-9

מילות מפתח: פנוטייפינג של עגבניות, דימות צמחי, מאגר נתונים רב-מבטי, ראייה ממוחשבת בחקלאות, הכלאת גידולים