Taimede tuvastamine AI abil: kuidas tehisaru töötab ja kui täpne see on

Taimede tuvastamine tehisaru abil tähendab elava taime liigi tuvastamist foto põhjal. Programm võrdleb pildil olevaid visuaalseid mustreid (lehe kuju ja roone, õie vormi, koore tekstuuri) miljonite fotodega, mille botaanikud on juba kindlaks teinud, ning väljastab võimalike liikide nimekirja alates kõige tõenäolisemast kuni kõige vähem tõenäoliseni. Selles protsessis puudub igasugune sisuline arusaam sellest, mis taim tegelikult on.

Aastatel 2020–2025 avaldatud eelretsenseeritud uuringutes tuvastasid rakendused esimese pakkumisega õige liigi 17% kuni 90% juhtudest. See suur vahe ei tulene tavaliselt rakendusest endast, vaid sellest, mida sa pildistad. Sama kaamera, sama taim ja sama rakendus annavad täiesti erineva tulemuse olenevalt sellest, kas pildistad lehte või puukoort või kas taim parajasti õitseb.

Lühike kokkuvõte:

• Schmidti ja kolleegide (2022) uuringus, kus vaadeldi 55 puuliiki, tuvastas kõige täpsem rakendus liigi õigesti 83,86% lehefotode ja vaid 51,82% koorefotode puhul. See tähendab sama taime ja sama rakenduse puhul tervelt 32-protsendilist täpsuse kukkumist.

• Iirimaa rohttaimede 560 foto analüüsis (Campbell, Peacock ja Bacon, 2023) olid kõik mõõdetud rakendused täpsemad õie kui lehe pildistamisel, kusjuures erinevus oli 6 kuni 29 protsendipunkti.

• Ükski seni avaldatud uuring ei ole mõõtnud toas kasvatatavate toataimede tuvastamise täpsust. Kõik olemasolevad testid on tehtud linnapuude, metsiku floora ja põllutaimedega.

• Sort ei ole sama mis liik. Tehisaru mudeli jaoks on Monstera 'Thai Constellation' ja 'Albo' täpselt üks ja seesama taim.

• Rakenduse tulemust ei tohi võtta lõpliku ohutusgarantiina. Ajakirjas Clinical Toxicology (2023) avaldatud testis märkis vähemalt üks rakendus 11 mürgisest liigist 5 söödavaks.

Mida tehisaru tegelikult teeb, kui sa taimest pilti teed

Tehisarul põhinev taimetuvastaja ei tea botaanikast midagi. Tegemist on arvutinägemise mudeliga, mida on treenitud juba tuvastatud fotode andmebaasi abil, ning selle ainus ülesandeks on mõõta sarnasust. Mudel muudab sinu foto numbriliste signaalide nimekirjaks (servad, kurvid, tekstuurid, proportsioonid) ja otsib andmebaasist liigid, mille fotod tekitavad sarnaseid signaale. Tulemuseks on nimekiri kandidaatidest koos igaühe tõenäosusprotsendiga.

Sellest tuleneb neli praktilist tagajärge, mis selgitavad peaaegu kõiki vigu, mida sa märkama hakkad:

1. Seda, mida andmebaasis ei ole, ei saa tuvastada. Pl@ntNet, mis on selle valdkonna suurim avatud projekt, avaldab oma numbrid: 84 710 liiki ja üle 1,47 miljardi pildi, mis jagunevad 77 piirkondliku floora vahel. Seda on palju, kuid see on siiski vaid murdosa maailmas kirjeldatud umbes 400 000 õistaimeliigist.

2. Tõenäosus näitab sarnasust, mitte absoluutset tõde. Kõrge protsent tähendab lihtsalt seda, et sinu pilt sarnaneb väga palju selle liigi piltidega andmebaasis. Kui õiget liiki andmebaasis ei ole, pakub mudel enesekindlalt kõige sarnasemat naaberliiki.

3. Taimeosa loeb rohkem kui rakendus. Iga taimeosa kannab endas erinevat kogust taksonoomilist infot ja mudel saab töötada ainult selle infoga, mis on fotol näha.

4. Mudel esindab keskmist. Seda treeniti tervete, täiskasvanud taimede piltidega nende loomulikus keskkonnas. Mida rohkem sinu taim sellest erineb, seda rohkem teeb mudel vigu.

Pl@ntNet ise ütleb välja lause, mida ükski tooteleht ei maini: "nagu iga tehisaru mudel, ei ole ka Pl@ntNet eksimatu".

Kui täpne on tuvastamine teadusuuringute kohaselt

Neljas eelretsenseeritud uuringus, mis avaldati aastatel 2020–2025, tuvastasid tehisarurakendused esimese pakkumisega õige liigi 17% kuni 90% piltide puhul, olenevalt rakendusest, testitud taimestikust ja pildistatud taimeosast. Perekonna tasemel on tuvastamine alati täpsem kui liigi tasemel.

Allpool on toodud uuringute tulemused. Need uuringud kasutasid erinevaid taimestikke, proove ja kriteeriume, seega saab numbreid võrrelda ainult iga rea sees, mitte ridade vahel. Rakendus, mis sai New Jersey puude uuringus tulemuseks 83%, ei ole automaatselt "parem" kui rakendus, mis sai Briti floora uuringus tulemuseks 57%.

Kõigist neljast uuringust joonistub välja kaks selget suundumust. Esiteks arenevad rakendused väga kiiresti: 2020. ja 2025. aasta uuringute vahe on liiga suur, et seda pelgalt juhuseks pidada. Teiseks mõjutab pildi kadreerimine tulemust ühe rakenduse piires sama palju kui eri rakenduste omavaheline paremusjärjestus. Schmidti uuringus tõi lehe asendamine koorega kõige täpsemale rakendusele kaasa 32-punktise täpsuse languse, mis on rohkem kui topelt võrreldes 14-punktise vahega, mis eristas seda teisele kohale tulnud rakendusest.

Rakendus, mille sa telefoni laadid, ei ole peaaegu kunagi see, mis taime tegelikult tuvastab. Paljud neist kasutavad taustal kolmanda osapoole süsteeme. Bloom tuvastab taimi mootoriga Plant.id, mis tuli Jonesi (2020) uuringus esimeseks ja on praegu Google'i taimetuvastuse otsingutes esimene tulemus, omades sõltumatute ülikoolide testides 93-protsendilist täpsust. See number tähistab tuvastusmootori, mitte kogu rakenduse täpsust, ning seda tuleks arvesse võtta kõigi sama pakkujat kasutavate rakenduste puhul.

Miks koore pildistamine on palju ebatäpsem kui lehe pildistamine

Puukoore pildistamine on tehisarule kõige raskem viis taime tuvastamiseks. Schmidti ja kolleegide (2022) uuringus pildistati samu 55 puuliiki kaks korda, üks kord lehe ja teine kord koore järgi, kasutades sama seadet ja samade inimeste poolt. Tulemuste langus oli järgmine:

PictureThis puhul langes liigi tuvastamise täpsus 32,04 protsendipunkti ja iNaturalist puhul 37,73 protsendipunkti. Uuringu kokkuvõte sõnastab selle lühidalt: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (need rakendused on lehefotode tuvastamisel palju täpsemad kui koorefotode puhul).

Põhjus on botaaniline, mitte arvutuslik. Leht kannab endas tunnuseid, mis reaalselt eristavad liike: kuju, serva tüüp (sile, saagjas, hõlmine), roostik ja leheroots. Koor pakub aga peamiselt tekstuuri ning koore tekstuur muutub koos puu vanusega, sõltub niiskusest, sellel kasvavatest samblikest ja sammaldest ning sellest, milliselt küljelt puud pildistati. Kaks eri liiki võivad 20-aastaselt omada peaaegu samasugust koort, samas kui ühel ja samal liigil muutub koor tundmatuseni 5. ja 50. eluaasta vahel.

Sama taim õitsemise ajal muudab tulemust täielikult

Õis on tehisaru jaoks kõige informatiivsem osa taimest ja erinevus on piisavalt suur, et määrata ära, millal on mõtet pilti teha. Campbelli, Peacocki ja Baconi (2023) uuringus pildistati 38 rohttaimeliiki 560 korda, millest pooltel piltidel oli leht ja pooltel õis. Pildistati sama telefoniga ja pilte ei töödeldud. Tulemused rakenduste lõikes:

Sama efekt ilmneb uuesti, sõltumatult, uuringus Hart et al. (2023), People and Nature 5(2), mis märgib: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (halvema jõudlusega rakendused toimisid märgatavalt paremini, kui õis oli olemas).

Põhjus on sama mis koore puhul. Botaanika on kasutanud õieehitust taimede klassifitseerimiseks juba kolm sajandit, sest kroonlehtede arv, sümmeetria, tolmukate asetus ja tupplehtede kuju on liigi piires püsivad ja liikide vahel erinevad. Leht on palju mitmetähenduslikum: kümnetel võhaliste liikidel on täpselt samasugused rohelised, läikivad ja ovaalsed lehed.

Sulgvõhk, monstera, sammalhabe, sõnajalad ja havisaba õitsevad korteritingimustes harva või mitte kunagi. Toataimede pildistajad on seetõttu peaaegu alati olukorras, kus täpsus on kõige madalam.

Miks toataimed on kõige raskem pähkel

Toas kasvatatavad toataimed on tehisaru jaoks kõige keerulisem stsenaarium kolmel põhjusel: neid pole teaduslikes uuringutes mõõdetud, tegemist on sageli sortidega, mida taksonoomia liigist ei erista, ning nad peaaegu mitte kunagi ei õitse.

Ükski avaldatud uuring ei ole mõõtnud toataimede tuvastamist. Tasub vaadata, mis materjali uuringutes kasutati: Schmidt ja kolleegid (2022) testisid New Jersey linnapuid ja metsikuid puid; Campbell, Peacock ja Bacon (2023) testisid Iirimaa põllutaimi; Jones (2020) testis Briti floorat ja Hart et al. (2023) testisid Ühendkuningriigi metsikut loodust, jättes pargiliigid teadlikult kõrvale. Kui loed, et "rakenduste täpsus on 85%", siis seda mõõdeti metsas ja põllul, mitte sinu elutoas.

Sort ei ole liik ja mudel tunneb ainult liike. Lillepoest ostetud taim on sageli spetsiifiline aedsort. Taksonoomiliselt on Monstera deliciosa 'Thai Constellation' ja 'Albo Borsigiana' üks ja seesama liik. Nende vahe seisneb mustris, mida sinu silm kasutab nende eristamiseks, kuid mida mudel on õppinud ignoreerima kui lihtsalt valguse mängu. Enamiku sortide jaoks pole andmebaasis eraldi märgistust, seega tuvastab rakendus küll liigi õigesti, kuid eksib konkreetse taime määratlemisel.

Toataimed erinevad sageli treeningpiltidest. Algandmete fotodel on tavaliselt täiskasvanud ja terved taimed oma loomulikus keskkonnas. Sinu toataim on aga väikeses potis, pügatud, akna poole välja veninud, väiksemate lehtedega, kuivanud leheservadega ja ilma ühegi õieta. Iga selline erinevus viib pildi kaugemale sellest, mida mudel treeningu ajal nägi, ja need tegurid kuhjuvad.

Rakendus on toataimede puhul endiselt kasulik abimees. Kuid avaldatud täpsusprotsendid on pigem lagi kui sinu igapäevane keskmine tulemus ning tulemuse üle kontrollimine on siin palju olulisem kui looduses.

Kui viga maksab kätte: mürgised taimed ja lemmikloomad

Taimede tuvastamine tehisaru abil ei ole usaldusväärne otsustamaks, kas taim on mürgine. Väljaandes Clinical Toxicology 61(7) 2023. aastal avaldatud testis tuvastas vähemalt üks hinnatud rakendustest 11-st potentsiaalselt mürgisest liigist 5 söödavana. Campbelli, Peacocki ja Baconi uuring sisaldas kahte mürgist taime ja jõuab samale järeldusele lauses, mida tasub tsiteerida tervikuna:

"They should not be trusted to identify toxic species." Neid ei tohi usaldada mürgiste liikide tuvastamisel.

Lihtne rusikareegel on järgmine: kasuta rakendust esimese filtrina ja kinnita liik botaanilisest allikast enne, kui jätad taime kassi, koera või lapse käeulatusse, ning ära kunagi tarbi midagi ainult fototuvastuse põhjal. Kaks Brasiilias kõige tavalisemat toataime on lemmikloomadele mürgiste seas:

Kuidas pildistada, et tehisaru tabaks märklauda paremini

Pildi kadreerimine mõjutab tulemust rohkem kui rakenduse valik. Siin on kuus reeglit, mis põhinevad teadusuuringute mõõdetud andmetel:

1. Kui taimel on õis, pildista õit. See toob PLOS ONE uuringu kohaselt kaasa 6 kuni 29-punktise täpsuse kasvu ühe ja sama rakenduse piires.

2. Eelista alati lehte koorele. Schmidti ja kolleegide uuringus andis see liigi tuvastamisel kuni 32-punktise eelise.

3. Üks taimeosa pildi kohta. Kadreeri terve leht või terve õis nii, et see täidaks pildi, mitte ära tee pilti tervest taimest kaugelt.

4. Puhas taust. Kui asetad lehe valgele paberile või oma peopesale, kaob taustalt müra, mida mudel võiks taimeosaga segi ajada.

5. Mine piisavalt lähedale, et leherood oleksid näha. Roostiku muster annab poole botaanilisest infost, mida leht pakub.

6. Vaata alati 5 esimest pakkumist, mitte ainult esimest. Uuringus Hart et al. (2023) tõusis rakenduste keskmine täpsus 69 protsendilt esimese pakkumise puhul tervelt 85 protsendini, kui arvesse võeti viis esimest pakkumist. Õige liik on tavaliselt nimekirjas olemas, lihtsalt mitte kõige esimesena.

Kui rakendus võimaldab, saada samast taimest mitu pilti, näidates selle eri osi. Süsteemid, mis suudavad analüüsida mitut pilti korraga, kombineerivad signaalid ja saavutavad palju täpsema tulemuse.

Kas on olemas tasuta taimede tuvastamist tehisaru abil?

Jah, seda pakutakse kolmes erinevas vormis.

Tasuta ilma limiidita, akadeemilise taustaga. Pl@ntNet on Prantsuse riiklik teadusprojekt ja ei nõua mingit tasu. See on kõige tugevam metsikute ja kohalike taimede tuvastamisel, näitab usaldusväärsuse määra ning pakub ühe kindla vastuse asemel alternatiivseid kandidaate. See ei paku hooldusjuhiseid ega meeldetuletusi.

Tasuta ja telefonis juba olemas. Google Lens on integreeritud Google'i rakendusse ja Chrome'i, töötab nii Androidis kui ka iPhone'is ning sellel pole ametlikke tuvastuspiiranguid. Kahes uuringus jäi selle täpsus esimese pakkumisega vahemikku 55% kuni 68%, jäädes veidi alla spetsiaalsetele taimerakendustele. Täpsema juhendi leiad artiklist kuidas tuvastada taimi Google Lensi abil.

Tasuta põhiosa koos limiidiga hooldusrakenduses. Siinkohal on pakkumised väga erinevad ja paljudel rakendustel tasuta režiim üldse puudub. Bloom pakub tasuta versiooni: saad teha 2 tasuta tuvastamist kuus ja kasutada kastmisgraafikut ilma ajapiiranguta. Kui soovid võrrelda eri rakenduste võimalusi, vaata nimekirja parimad rakendused taimede tuvastamiseks.

Korduma kippuvad küsimused

Kas on olemas tasuta tehisaru tööriista taimede tuvastamiseks?

Jah. Pl@ntNet on teadusprojektina täiesti tasuta ja ilma piiranguteta ning Google Lens on tasuta olemas Google'i ja Chrome'i rakendustes. Leidub ka hooldusrakendusi, millel on tasuta limiit, kuid need on vähemuses. Esimese tuvastamise eest ei küsi raha keegi.

Milline on kõige täpsem taimetuvastuse rakendus?

See sõltub sellest, mida sa pildistad, ja aus vastus on, et ühte parimat polegi. Iga uuring testis erinevat taimestikku: PictureThis oli parim New Jersey puude puhul, Pl@ntNet Iiri rohttaimede puhul ja Plant.id Briti floora puhul. Erinevate uuringute tulemuste võrdlemine ei ole botaaniliselt korrektne.

Kas tehisaru tuvastab toataimi sama hästi kui metsikuid taimi?

Selle kohta puuduvad avaldatud uuringud. Kõik eelretsenseeritud testid viidi läbi linnapuude või metsiku loodusega ning üks uuring välistas aiataimed teadlikult. Toataimed on sageli ilma õiteta sordid ja erinevad treeningmudelite standardist, mis vähendab tuvastamise täpsust.

Kas rakendus suudab tuvastada minu taime täpse sordi?

Harva. Sordid nagu 'Thai Constellation' ja 'Pink Princess' kuuluvad samasse liiki nagu nende tavasordid. Erinevus seisneb värvimuutuses, mida mudel on õppinud pidama valguse mänguks. Rakenduselt tasub oodata pigem liigi, mitte sordi täpset nime.

Kas ma saan kasutada tehisaru taime mürgisuse hindamiseks?

Esimese vihjena küll, kuid mitte lõpliku otsusena. 2023. aasta uuringus ajakirjas Clinical Toxicology märkis vähemalt üks rakendus 11 mürgisest liigist 5 söödavaks. Kontrolli liik enne taime lemmiklooma või lapse lähedusse lubamist alati üle usaldusväärsest allikast.

Kokkuvõte

Tulemuse otsustab see, mis jääb fotole. Ühe ja sama rakenduse ning taime puhul annab koore asendamine lehega kuni 32-punktise ja lehe asendamine õiega kuni 29-punktise täpsuse kasvu. Pildi õige kadreerimine on ainus asi, mida sa saad ise mõjutada, ja see parandab tulemust rohkem kui uue rakenduse allalaadimine. Kui tuvastad toataime, pea silmas, et seda olukorda pole teaduslikult mõõdetud, ning suhtu ekraanile ilmuvasse nimesse kui heasse oletusse, mitte absoluutsesse tõesse.

Järgmine praktiline samm on teha uus pilt, järgides eeltoodud kuut reeglit, ja vaadata, kas vastus jääb samaks. Kui tulemus muutub sama taime kahe hea pildi vahel, on see märk sellest, et mudel pole kindel ja vajad teist allikat.

Kui küsimus taime nime taga on tegelikult "aga mis ma sellega nüüd peale hakkan", siis pelgalt nimest ei piisa. Siin tulevad appi rakendused, mis pakuvad pärast tuvastamist ka konkreetse liigi kastmis- ja valgusjuhiseid. Bloom teeb just seda, tuvastab taimi Plant.id süsteemiga ja on saadaval iPhone'ile.

Kui sinu mureks pole mitte tundmatu taim, vaid hoopis haige taim, on lahendus teine: alusta artiklist kuidas teada saada, mis minu taimel viga on.