Zbiór danych Tomato Multi-Angle Multi-Pose do szczegółowego fenotypowania

Dlaczego pomidory i inteligentne kamery mają znaczenie

Pomidory to nie tylko składnik sałatek; są jednym z najważniejszych upraw na świecie i filarem badań roślinnych. Hodowcy i naukowcy stale badają rośliny pomidora w szczegółach — jak rosną liście, kiedy otwierają się kwiaty, jak zmienia się zabarwienie owoców — aby tworzyć odmiany bardziej odporne, smaczniejsze i wydajniejsze. Jednak takie dokładne oględziny zwykle odbywają się wzrokowo, co jest powolne, trudne do powtórzenia i może różnić się między obserwatorami. Ten artykuł przedstawia TomatoMAP, duży, starannie zaprojektowany zbiór zdjęć pomidorów, który pozwala komputerom oglądać rośliny z wielu kątów, pomagając ograniczyć subiektywność ludzkiej oceny.

Nowa biblioteka obrazów wzrostu pomidorów

TomatoMAP to obszerny zbiór obrazów skoncentrowany na pomidorze uprawnym, Solanum lycopersicum. Zawiera 68 080 zdjęć kolorowych obejmujących cykl życia 101 roślin uprawianych w szklarni przez ponad pięć miesięcy. Zamiast kilku ujęć, każda roślina była fotografowana wielokrotnie w miarę wzrostu, rejestrując etapy takie jak kwitnienie i dojrzewanie owoców. Dla każdego zdjęcia eksperci dostarczyli bogate etykiety: proste ramki oznaczające siedem kluczowych obszarów zainteresowania — liście, skupiska kwiatów, skupiska owoców, pędy i inne — oraz tagi określające fazę wzrostu oparte na standaryzowanej skali powszechnie używanej przez agronomów. W osobnym zestawie zbliżeń pojedyncze pąki, kwiaty i owoce zostały obrysowane aż do poziomu pojedynczych pikseli, co umożliwia bardzo szczegółową analizę.

Oglądanie roślin ze wszystkich stron

Aby zebrać ten zbiór danych, badacze zbudowali dedykowaną stację obrazującą łączącą obrotową platformę z czterema zsynchronizowanymi kamerami. Rośliny pomidora uprawiane w kontrolowanych warunkach szklarni umieszczano na obrotowym stole, który obracał się w krokach co 30 stopni, wykonując pełen obrót. Na każdym kroku kamery ustawione na czterech wysokościach i kątach wykonywały zdjęcia jednocześnie, tworząc wielokątowy widok tej samej pozy rośliny. W ciągu 163 dni to ustawienie wygenerowało ponad 64 000 zdjęć o umiarkowanej rozdzielczości do klasyfikacji faz wzrostu i wykrywania organów oraz 3 616 zdjęć w wysokiej rozdzielczości do szczegółowej segmentacji. Taki wielowidokowy projekt zachowuje strukturę trójwymiarową — na przykład nakładanie się liści czy ułożenie skupisk kwiatów i owoców — co jest trudne do uchwycenia na pojedynczych, płaskich zdjęciach.

Nauczanie komputerów rozpoznawania cech roślin

TomatoMAP to nie tylko galeria zdjęć; to także pole testowe dla nowoczesnej sztucznej inteligencji. Zespół trenował i oceniała lekkie, szybkie modele wizji komputerowej wybrane ze względu na potencjał użycia w czasie rzeczywistym w szklarniach. Kompaktowa sieć do klasyfikacji obrazów nauczyła się przypisywać fazy wzrostu roślin. Wydajny model detekcji obiektów nauczył się lokalizować części roślin, takie jak liście, skupiska kwiatów i skupiska owoców na każdym kadrze. Dla zbliżeń model segmentacji instancji odwzorowywał precyzyjny kontur pojedynczych pąków, kwiatów i owoców oraz rozróżniał wczesne i późne etapy rozwoju na podstawie rozmiaru i koloru. Autorzy pokazują, że modele te osiągają wysoką dokładność, zwłaszcza dla większych kwiatów i owoców, i działają wystarczająco szybko, aby nadawać się do ciągłego monitorowania.

Budowanie krok po kroku cyfrowego przepływu pracy

Aby uczynić automatyczne fenotypowanie bardziej niezawodnym, badacze zaprojektowali trzystopniowy „kaskadowy” przepływ pracy. Po pierwsze, dane są uporządkowane od prostych obrazów całej rośliny do szczegółowych segmentacji. Po drugie, modele są ustawione w łańcuch: klasyfikator fazy wzrostu decyduje, które rośliny lub momenty czasowe przekazać dalej do detektora, który następnie wyróżnia najbardziej istotne regiony do udoskonalenia przez model segmentacji. Wreszcie wyniki wszystkich modeli są łączone w skonsolidowany opis cech każdej rośliny, takich jak liczba owoców i ich fazy. Strukturyzując w ten sposób zarówno dane, jak i modele, zmniejsza się ryzyko kumulowania się błędów, a każdy krok można poprawić lub wymienić bez przebudowy całego systemu.

Jak maszyny wypadają wobec ludzkiego oka

Ponieważ eksperci ludzie nie zawsze się ze sobą zgadzają, zespół dokładnie sprawdził, jak blisko zgodności znajdują się modele AI i specjaliści. Porównali setki zdjęć oznakowanych niezależnie przez pięciu ekspertów oraz przez wytrenowany model detekcji. Przy użyciu standardowej miary zgodności zarówno porównania ekspert–ekspert, jak i AI–ekspert wykazały „prawie doskonałą” spójność. To sugeruje, że przynajmniej w przypadku badanych struktur i faz, metody automatyczne mogą dorównać niezawodności wykwalifikowanych obserwatorów ludzkich, unikając zmęczenia i niespójności.

Co to oznacza dla przyszłych upraw

TomatoMAP pokazuje, że przy odpowiednim zestawie obrazującym i starannym opisaniu, komputery mogą śledzić wzrost pomidorów w bogatych szczegółach z wielu kątów, i robić to w sposób zbliżony do oceny ekspertów. Dla hodowców i rolników otwiera to drogę do szybszego, bardziej obiektywnego badania nowych odmian i warunków uprawy — od oceny obciążenia owocami po wykrywanie subtelnych różnic w architekturze roślin. Choć niektóre organy roślinne nadal trudniej jest uchwycić idealnie i potrzebne są dalsze prace nad dopasowaniem modeli do konkretnych urządzeń, ten zbiór danych tworzy podstawę skalowalnego, redukującego uprzedzenia fenotypowania cyfrowego, które ostatecznie może pomóc przenieść bardziej odporne i wydajne uprawy z eksperymentów szklarniowych na stół.

Cytowanie: 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

Słowa kluczowe: fenotypowanie pomidorów, obrazowanie roślin, zbiór danych wielowidokowy, widzenie komputerowe w rolnictwie, hodowla roślin