Neue Publikation: Erkennt eine Künstliche Intelligenz die Blattform?
Blattform und KI
Die automatische Erkennung von Pflanzenarten mittels künstlicher Intelligenz (KI) basiert maßgeblich auf der Analyse von Blattformen. Wie diese komplexen Strukturen von der KI interpretiert werden, ist jedoch oft schwer nachvollziehbar und stellt eine sogenannte ‚Black Box‘ dar. Insbesondere die hohe Variabilität von Blattformen innerhalb einer Art, wie sie beispielsweise beim heimischen Gold-Hahnenfuß Ranunculus auricomus zu beobachten ist, stellt die KI vor eine Herausforderung.
Geometrische Morphometrie
Um die Leistungsfähigkeit von KI-basierten Erkennungssystemen zu evaluieren und besser zu verstehen, haben wir geometrische Morphometrie als Werkzeug der erklärbaren KI (eXplainable KI oder auch XAI) eingesetzt. Diese Methode ermöglicht eine detaillierte quantitative Beschreibung von Formvariationen und erlaubt so einen direkten Vergleich zwischen den Ergebnissen der KI und einer etablierten morphometrischen Methode.
Experiment
Unser Fokus lag auf der Erkennung regionaler Populationsunterschiede beim Gold-Hahnenfuß. Wir untersuchten, ob die KI in der Lage ist, subtile morphologische Unterschiede zwischen verschiedenen Populationen anhand von einfachen Smartphone-Aufnahmen zu erkennen. Die Ergebnisse zeigen, dass die KI selbst bei komplexen Bildhintergründen zuverlässig charakteristische Merkmale der Blätter identifizieren kann. Die Übereinstimmung mit den Ergebnissen der geometrischen Morphometrie bestätigt die Leistungsfähigkeit der KI und unterstreicht das Potenzial dieser Technologie für die automatisierte Phänotypisierung in der Pflanzenforschung.
Bedeutung dieser Forschung
Unsere Studie liefert wichtige Erkenntnisse für den Einsatz von KI in der Pflanzenbestimmung und eröffnet neue Perspektiven für die Erforschung der biologischen Vielfalt. Die Kombination von KI und modernen morphometrischen Methodenermöglicht eine umfassende Analyse von Pflanzenmerkmalen und trägt so zu einem besseren Verständnis der Evolution und Anpassung von Pflanzen an unterschiedliche Umweltbedingungen bei.
Die Publikation ist ab sofort frei lesbar:
Hodač, L., Karbstein, K., Kösters, L., Rzanny, M., Wittich, H.C., Boho, D., Šubrt, D., Mäder, P. and Wäldchen, J. (2024), Deep learning to capture leaf shape in plant images: Validation by geometric morphometrics. Plant J. https://doi.org/10.1111/tpj.17053
Titelbild: Ranunculus auricomus, Ladislav Hodač
