AI電腦視覺適用於作物育種新方法

摘要

美國伊利諾大學厄巴納香檳分校研究團隊開發出一種新型機器學習工具，能以極少的人工標註數據，自主學習分辨空拍影像中不同開花狀態的芒屬草類。這項技術大幅提升了農業田間研究的效率，尤其是在需要分析大量作物表現性狀的情境下。研究團隊證實，該方法可顯著減少人工數據標註的工作量，為數位農業與作物改良帶來突破性進展。

　　由於作物在不同生長階段和環境下表現多樣，傳統人工巡查與標註極為耗時，美國伊利諾大學(University of Illinois Urbana-Champaign)團隊希望藉由AI自動化分析，提升農業田間研究與作物改良的速度與規模，並推動AI技術在生物學與數位農業的更廣泛應用。

　　研究團隊利用數千種芒屬草類的空拍影像作為訓練素材，採用生成對抗網路（GAN）架構，讓兩個AI模型互相競爭，一個生成擬真影像，另一個判別真偽。經過多輪競爭後，模型能自動學習並精準分辨開花與未開花植株。為進一步減少人工標註需求，團隊開發出「高效監督生成對抗網路」（ESGAN），透過自我生成與判別機制，大幅降低標註數據量的需求，並與傳統深度學習方法進行準確度比較。

　　研究發現ESGAN能將人工標註數據需求降低一到兩個數量級，且在不同地點、不同作物群體與不同物種間均能維持高準確率。這意味著過去需要大量人力巡查與標註的田間調查，如今可透過AI大幅自動化，顯著提升研究效率。目前團隊正在與Miscanthus育種計畫合作，將此方法應用於多州田間試驗，加速適應性新品種的開發。

　　此項研究發表在2025年《Plant Physiology》期刊，研究貢獻在於為數位農業與作物科學帶來重大突破，首次證明AI可在極少人工標註下自動學習複雜田間性狀，降低農業AI應用門檻。這一方法不僅提升了作物改良與生態監測的效率，也為全球推動生物經濟與永續農業提供了新工具。團隊期望未來能將此技術推廣至更多作物與性狀，促進AI在農業領域的廣泛採用。

摘要

推薦文章