Набор данных Tomato Multi-Angle Multi-Pose для тонкой фенотипизации

Почему томаты и умные камеры важны

Томаты — это не просто ингредиент для салата; они являются одной из важнейших культур в мире и опорой прикладной растительной науки. Селекционеры и исследователи постоянно внимательно изучают томаты — как растут листья, когда распускаются цветы, как изменяется окраска плодов — чтобы создавать более выносливые, вкусные и устойчивые сорта. При этом такой детальный осмотр обычно проводят визуально, что медленно, трудно воспроизводимо и подвержено субъективности разных наблюдателей. В этой статье представлен TomatoMAP — большой, продуманно составленный сборник изображений томатов, который позволяет компьютерам изучать растения под разными углами и уменьшать долю человеческих догадок в оценке растений.

Новая библиотека изображений роста томатов

TomatoMAP — это исчерпывающий набор изображений, сосредоточенный на культурном томате, Solanum lycopersicum. В него входит 68 080 цветных фотографий, охватывающих жизнь 101 растения, выращенного в теплице, в течение чуть более пяти месяцев. Вместо нескольких снимков каждое растение фотографировали многократно по мере его роста, фиксируя разные этапы — цветение, созревание плодов и другие. Для каждого изображения эксперты подготовили подробные аннотации: простые ограничивающие рамки, отмечающие семь ключевых областей интереса — листья, соцветия, скопления плодов, побеги и др. — а также метки стадий развития на основе стандартизированной шкалы, часто используемой агрономами. В отдельном наборе крупномасштабных снимков отдельные бутоны, цветы и плоды очерчены до уровня отдельных пикселей, что позволяет проводить крайне детальный анализ.

Видеть растения со всех сторон

Для сбора этого набора данных исследователи создали специальную съемочную установку, сочетающую вращающуюся платформу с четырьмя синхронизированными камерами. Томаты, выращенные в контролируемых условиях теплицы, помещали на поворотный стол, который поворачивали шагами по 30 градусов, чтобы сделать полный оборот. На каждом шаге одновременно делались снимки камерами, размещенными на четырех высотах и под разными углами, что давало многовидовой обзор одного и того же положения растения. За 163 дня такая установка создала более 64 000 изображений среднего разрешения для классификации стадий роста и обнаружения органов, плюс 3 616 высокоразрешенных крупноплановых снимков для детальной сегментации. Эта многовидовая схема сохраняет трехмерную структуру — например, как накладываются листья или как расположены соцветия и скопления плодов — что трудно запечатлеть на одном плоском изображении.

Обучение компьютеров распознавать признаки растений

TomatoMAP — это не просто фотогалерея; это также испытательный полигон для современных методов искусственного интеллекта. Команда обучила и протестировала компактные, быстрые модели компьютерного зрения, выбранные с прицелом на возможное использование в реальном времени в теплицах. Небольшая сеть для классификации изображений научилась назначать стадии роста растения. Эффективная модель для обнаружения объектов научилась локализовать части растений — листья, соцветия и скопления плодов — в каждом кадре. Для крупных планов модель инстанс-сегментации точно обводила контуры отдельных бутонов, цветов и плодов, а также различала ранние и поздние стадии развития по размеру и цвету. Авторы показывают, что эти модели достигают высокой точности, особенно для крупных цветов и плодов, и работают достаточно быстро, чтобы быть практичными для непрерывного мониторинга.

Построение поэтапного цифрового рабочего процесса

Чтобы сделать автоматическое фенотипирование более надежным, исследователи разработали трехуровневый «каскадный» рабочий процесс. Сначала данные организуются от простых изображений целого растения до детальных сегментаций. Затем модели выстраиваются в цепочку: классификатор стадии роста направляет, какие растения или временные точки передать детектору, который затем выделяет наиболее релевантные области для уточнения моделью сегментации. Наконец, результаты всех моделей объединяются в сводное описание признаков каждого растения, например сколько плодов присутствует и в каких они стадиях. Такая организация данных и моделей снижает риск накопления ошибок, и каждый этап можно улучшать или заменять без перестройки всей системы.

Насколько машины совпадают с человеческим взглядом

Поскольку эксперты-люди не всегда приходят к единому мнению, команда тщательно проверила, насколько модель и специалисты согласуются между собой. Они сравнили сотни изображений, размеченных независимо пятью экспертами и обученной моделью обнаружения. По стандартной мере согласованности как сравнения между экспертами, так и между ИИ и экспертами показали «почти совершенное» соответствие. Это указывает на то, что по изученным структурам и стадиям автоматические методы могут соответствовать надежности обученных человеческих наблюдателей, при этом избегая усталости и непоследовательности.

Что это значит для будущих культур

TomatoMAP демонстрирует, что при подходящей съемочной установке и тщательных аннотациях компьютеры могут отслеживать рост томатов в подробностях с разных ракурсов и делать это так, чтобы результаты близко соответствовали экспертной оценке. Для селекционеров и фермеров это открывает путь к более быстрому и объективному отбору новых сортов и условий выращивания — от оценки плодовой нагрузки до обнаружения тонких различий в архитектуре растения. Хотя некоторые органы растений по-прежнему труднее всего заснять идеально и требуется дополнительная работа по адаптации моделей под конкретные устройства, этот набор данных закладывает основу масштабируемого, снижающего предвзятость цифрового фенотипирования, которое в перспективе может помочь переводить более устойчивые и продуктивные сорта из тепличных экспериментов на ваш стол.

Цитирование: 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

Ключевые слова: фенотипирование томатов, растительное визуализирование, многовидовой набор данных, компьютерное зрение в сельском хозяйстве, селекция культур