Plantparasitaire nematodengeslachten in grasmatten identificeren Sportvelden.info

Plantparasitaire nematodengeslachten in grasmatten identificeren

Deep learning-algoritmen voor gezonder gras

Plantparasitaire nematoden vormen een belangrijke bedreiging voor grasmatten. Een effectieve bestrijding van nematoden is afhankelijk van een nauwkeurige identificatie van de nematodensoorten die uit bodemmonsters worden gehaald. Dit proces vereist echter gespecialiseerde expertise. Recente ontwikkelingen op het gebied van deep learning-modellen bieden veelbelovende oplossingen voor de toekomst van nematodenidentificatie.

Plantparasitaire nematoden voeden zich met wortels van de grasplant. Daardoor kunnen ze deze beschadigen en de water- of nutriëntopname van de grasplant verstoren. De grasplant wordt daarmee kwetsbaarder voor betreding en zal meer tijd nodig hebben om te herstellen. Voor goed onderhouden golfbanen en sportvelden is elke vermindering van de visuele kwaliteit ongewenst. De schade vaststellen door plantparasitaire nematoden op basis van uitsluitend bovengrondse symptomen is niet betrouwbaar, aangezien deze symptomen ook kunnen worden veroorzaakt door andere stressveroorzakende invloeden van levende organismen op andere organismen of fysische en chemische omgevingsfactoren.

Nematoden behoren waarschijnlijk tot de meest soortenrijke diergroepen op aarde. De wetenschap heeft er zo’n 27.000 beschreven maar geschat wordt dat het werkelijk aantal verschillende nematoden tussen de 500.000 en één miljoen ligt.

Het vaststellen van de aanwezigheid van plantparasitaire nematoden en de identificatie ervan wordt gedaan door gespecialiseerde diagnostische nematologielaboratoria. Hier worden bodemmonsters onderzocht en identificeert en kwantificeert een technisch expert de plantparasitaire nematoden met behulp van een microscoop. Zelfs voor ervaren specialisten is dit een moeizaam en tijdrovend proces.

Om de efficiëntie van de snelle diagnose te verhogen en de beschikbaarheid van nematodendiagnostiek uit te breiden naar laboratoria die geen specialisten in dienst hebben zijn hulpmiddelen die helpen bij de identificatie van nematoden zeer wenselijk.

Deep learning

Sinds kort doet ook deep learning onder nematologen haar intrede. De robuuste en betrouwbare modellen kunnen namelijk een snelle en nauwkeurige identificatie of telling van plantparasitaire nematoden realiseren. Sommige modellen hebben een nauwkeurigheid van 69% en 96%. Een van de meest gebruikte architecturen voor het identificeren van nematoden zijn Convolutionele neurale netwerken (CNN). Dit type kunstmatig neuraal netwerk is speciaal ontworpen om ruimtelijke patronen te herkennen en wordt vooral gebruikt voor beelden, maar ook voor audio, video en tijdreeksen. Het herkent eenvoudige patronen zoals randen, hoeken en kleur- of structuurverschillen. Sommige CNN-onderzoeken naar de classificatie van nematodenafbeeldingen maakten gebruik van vastgelegde beschrijvingen van specifieke morfologische kenmerken of morfometrie om groepen organismen te identificeren. Andere onderzoeken maakten gebruik van afbeeldingen van volledige volwassen of juveniele stadia zonder morfologische kenmerken te labelen. Hoewel beide methoden waardevolle informatie opleveren, bieden het labelen bij het begeleid leren belangrijke voordelen bij het trainen van modellen. Labelen stelt het model in staat zich te concentreren op relevante gebieden en het leren te verbeteren, wat resulteert in hoogwaardige identificatie. Bovendien verbetert het de prestaties bij complexe taken door het model te helpen gedetailleerde patronen te begrijpen, wat leidt tot een grotere nauwkeurigheid. Labelen kan ook modelfouten verminderen en de betrouwbaarheid en robuustheid verbeteren, aangezien training op goed gelabelde gegevens resulteert in minder valse positieven en negatieven.

“Het doel van deze studie was om een nieuwe dataset met afbeeldingen van nematoden te creëren voor het trainen van deep learning-modellen om zeven klassen van plantparasitaire nematoden te identificeren die verband houden met gras.”

Nieuw voor gras

Hoewel CNN-algoritmen zijn getest voor de identificatie van nematoden die landbouw- en groentegewassen aantasten, loopt de ontwikkeling van betrouwbare modellen voor de identificatie van nematoden die grasmatten aantasten, nog achter. Het doel van deze studie was om een nieuwe dataset met afbeeldingen van nematoden te creëren voor het trainen van deep learning-modellen om zeven klassen van plantparasitaire nematoden te identificeren die verband houden met gras. De onderzoekers wilde hiervoor vier CNN-modellen testen.

Voor het onderzoek zijn bodemmonsters benut van golfbanen en sportvelden in Maryland (de VS) en het Agrarisch Onderzoekscentrum van het Amerikaanse Ministerie van landbouw.

Voor het onderzoek zijn diverse afbeeldingen gemaakt met een objectiefvergroting van 10×, 20× en 40×. Ook werd er onderzoek gedaan naar geavanceerde hyperparameter-afstemmingstechnieken. Deze studie draagt bij aan de vooruitgang van machine learning-benaderingen die worden gebruikt voor de identificatie van nematoden door recente deep learning-modellen te evalueren op een unieke dataset van nematoden in grasmatten.

De oorspronkelijke videodataset bevatte 1887 video’s. Na het extraheren van elke 100 frames uit elke video, werden in totaal 31.684 afbeeldingen verkregen. In de volgende stap werden dubbele afbeeldingen verwijderd en werd automatisch bijsnijden toegepast. Uiteindelijk werden in totaal 5406 unieke, bijgesneden afbeeldingen van zeven geslachten verkregen. De resulterende afbeeldingen werden gegroepeerd in dataset I.

Afbeeldingen die morfologische kenmerken bevatten die relevant waren voor identificatie en die scherp waren, met name de kop- en staartgebieden en het gehele lichaam van de nematode, werden geselecteerd voor opname in dataset I. Wazige of onscherpe afbeeldingen werden niet volledig uitgesloten om de variabiliteit van de dataset te vergroten. De nauwkeurigheid van de vier geteste systemen voor de classificatie van zeven nematodenkenmerken varieerde van 86,33% tot 94,63%. De onderzoekers zijn daarom van mening dat deep-learning voor nematode-identificatie potentieel heeft.