Development of automatic annotation technique by using plant biological information images

本研究では、深層学習における教師データの生成(アノテーション)にかかる時間的、労力的コストを解決すべく農学的知見を用いた解決方法を開発する。具体的には、植物生体情報画像を用いることで、アノテーションを効率化、自動化する手法を開発することを目的とする。本年度は、日単位茎伸長計測に活用可能な汎用的植物茎頂検出モデルの開発を行った。これは、列状に栽培されているトマト個体群を水平方向にスキャンして得られたクロロフィル蛍光動画に対し、植物体高さの分布を解析することで自動アノテーションを行うものである。自動アノテーションの結果得られた教師画像は215枚であり、その精度はPrecision 0.75、Recall 0.75、F-measure 0.75であった。得られた教師画像で訓練した茎頂検出モデルの精度はPrecision 0.97、Recall 0.96、F-measure 0.96であった。他方、手動でアノテーションした教師画像272枚を用いて訓練した茎頂検出モデルの精度はPrecision 1.00、Recall 0.99、F-measure 0.99であった。この結果により，開発した自動アノテーション手法によってトマト個体群の手動アノテーションを代替可能であることが示唆された。

本研究では、深層学習における教師データの生成(アノテーション)にかかる時間的、労力的コストを解決すべく農学的知見を用いた解決方法を開発する。具体的には、植物生体情報画像を用いることで、アノテーションを効率化、自動化する手法を開発することを目的とする。本年度は、日単位茎伸長計測に活用可能な汎用的植物茎頂検出モデルの開発を行った。これは、列状に栽培されているトマト個体群を水平方向にスキャンして得られたクロロフィル蛍光動画に対し、植物体高さの分布を解析することで自動アノテーションを行うものである。自動アノテーションの結果得られた教師画像は215枚であり、その精度はPrecision 0.75、Recall 0.75、F-measure 0.75であった。得られた教師画像で訓練した茎頂検出モデルの精度はPrecision 0.97、Recall 0.96、F-measure 0.96であった。他方、手動でアノテーションした教師画像272枚を用いて訓練した茎頂検出モデルの精度はPrecision 1.00、Recall 0.99、F-measure 0.99であった。この結果により，開発した自動アノテーション手法によってトマト個体群の手動アノテーションを代替可能であることが示唆された。