Yeni yapay zeka destekli araç, kök görüntü segmentasyonunu iyileştiriyor. Sürdürülebilirlik için çabalayan bir dünyada, yaşayan bir bitkinin gizli yarısını, yani köklerini anlamak çok önemli. Kökler yalnızca bir çapa değil; bitki ile toprak arasında dinamik bir arayüz oluştururlar. Su alımı, besin emilimi ve sonuçta bitkinin hayatta kalması için kritik öneme sahiptirler.
Yapay zeka kök görüntü segmantasyonu
Lawrence Berkeley Ulusal Laboratuvarı (Berkeley Laboratuvarı) Uygulamalı Matematik ve Hesaplamalı Araştırma (AMCR) ve Çevresel Genomik ve Sistem Biyolojisi (EGSB) Bölümlerinden bilim insanları, tarımsal verimi artırmak ve iklim değişikliğine dayanıklı ürünler geliştirmek için yapılan bir araştırmada önemli bir adım attı. En son yenilikleri RhizoNet, bitki köklerini inceleme şeklimizi dönüştürmek için yapay zekanın (AI) gücünden yararlanıyor ve çeşitli çevresel koşullar altında kök davranışlarına ilişkin yeni bilgiler sunuyor.
5 Haziran’da Scientific Reports’ta yayınlanan bir çalışmada ayrıntıları verilen bu öncü araç , süreci olağanüstü doğrulukla otomatikleştirerek kök görüntü analizinde devrim yaratıyor. Emek yoğun ve hataya açık geleneksel yöntemler, kök sistemlerin karmaşık ve karmaşık doğasıyla karşı karşıya kaldığında yetersiz kalıyor. RhizoNet, son teknoloji ürünü derin öğrenme yaklaşımıyla devreye girerek araştırmacıların kök büyümesini ve biyokütleyi hassas bir şekilde takip etmelerini sağlar . Evrişimsel bir sinir ağına dayanan gelişmiş bir derin öğrenme tabanlı omurga kullanan bu yeni hesaplama aracı, kapsamlı biyokütle ve büyüme değerlendirmesi için bitki köklerini semantik olarak bölümlere ayırıyor, laboratuvarların bitki köklerini analiz etme biçimini değiştiriyor ve kendi kendine çalışan laboratuvarlara yönelik çabaları hızlandırıyor.
Berkeley Laboratuvarı’ndan yapay zeka destekli yazılımın baş araştırmacısı Daniela Ushizima: “RhizoNet’in kök segmentasyonu ve fenotiplemeyi standartlaştırma yeteneği, binlerce görüntünün sistematik ve hızlandırılmış analizinde önemli bir ilerlemeyi temsil ediyor. Bu yenilik, devam eden çalışmalarımızda etkili oluyor. Farklı bitki koşullarında kök büyüme dinamiklerini yakalamadaki hassasiyeti artırma çabaları” diyor.
Kök analizi geleneksel olarak düz yataklı tarayıcılara ve manüel segmentasyon yöntemlerine dayanıyordu. Bunlar, özellikle çok tesisli kapsamlı çalışmalarda yalnızca zaman alıcı olmakla kalmayıp aynı zamanda hatalara da açıktı. Kök görüntü segmentasyonu ayrıca kabarcıklar, damlacıklar, yansımalar ve gölgeler gibi doğal olaylar nedeniyle önemli zorluklar da sunar. Kök yapılarının karmaşık doğası ve gürültülü arka planların varlığı, otomatik analiz sürecini daha da karmaşık hale getirir. Bu komplikasyonlar, ince yapıların bazen yalnızca bir piksel kadar geniş olduğu daha küçük uzamsal ölçeklerde özellikle şiddetlidir ve bu durum, uzman insan açıklamacılar için bile manuel açıklama eklemeyi son derece zorlaştırıyor.
