Augu noteikšana ar mākslīgo intelektu: kā tas darbojas un cik precīzs tas ir

Augu noteikšana ar mākslīgo intelektu ir dzīva auga sugas atpazīšana pēc fotoattēla. Programma salīdzina attēla vizuālos rakstus (lapas kontūru un dzīslojumu, zieda formu, mizas tekstūru) ar miljoniem fotoattēlu, ko jau iepriekš identificējuši botāniķi, un piedāvā iespējamo sugu sarakstu no ticamākās līdz mazāk ticamajai. Šajā procesā nenotiek nekāda reāla auga "izpratne".

Zinātniskos pētījumos, kas publicēti no 2020. līdz 2025. gadam, lietotnes noteica pareizo sugu ar pirmo mēģinājumu 17% līdz 90% gadījumu. Liela daļa šīs atšķirības ir saistīta nevis ar pašu lietotni, bet gan ar to, ko tieši jūs nofotografējāt. Viena un tā pati kamera, tas pats augs un tā pati lietotne uzrāda pilnīgi atšķirīgus rezultātus, ja lapas vietā nofotografējat mizu vai ja augs ir uzziedējis.

Īss kopsavilkums:

• Schmidt un kolēģu 2022. gada pētījumā par 55 koku sugām precīzākā lietotne noteica pareizo sugu 83,86% lapu fotoattēlu un tikai 51,82% mizas fotoattēlu. Tie ir par 32 procentpunktiem zemāki rezultāti tam pašam augam un tai pašai lietotnei.

• Analizējot 560 Īrijas lakstaugu fotoattēlus (Campbell, Peacock un Bacon, 2023), visas pētītās lietotnes uzrādīja labākus rezultātus ar ziedu, nevis lapu attēliem, un atšķirība bija no 6 līdz 29 procentpunktiem.

• Nevienā līdz šim publicētajā pētījumā nav mērīta precizitāte tieši telpaugiem. Līdzšinējos testos izmantoti pilsētas koki, savvaļas flora un lauku augi.

• Kultivārs nav suga: mākslīgā intelekta modelim Monstera 'Thai Constellation' un 'Albo' ir viens un tas pats augs.

• Lietotnes rezultāts nav uzskatāms par drošības garantiju. Žurnālā Clinical Toxicology (2023) publicētajā testā vismaz viena no lietotnēm 5 no 11 indīgajām sugām identificēja kā ēdamas.

Ko MI patiesībā dara, kad fotografējat augu

Mākslīgā intelekta augu noteicējs nepārzina botāniku. Tas ir datorredzes modelis, kas apmācīts ar identificētu fotoattēlu datubāzi, un tā vienīgais uzdevums ir meklēt līdzības. Modelis pārvērš jūsu fotoattēlu skaitliskos signālos (malas, izliekumi, tekstūras, proporcijas) un meklē datubāzē tās sugas, kuru attēli rada līdzīgus signālus. Rezultātā tiek parādīts kandidātu saraksts ar katras sugas ticamības procentu.

Tam ir četras praktiskas sekas, kas izskaidro gandrīz katru kļūdu, ar ko saskarsieties:

1. Tas, kā nav datubāzē, nevar tikt atpazīts. Pl@ntNet, kas ir lielākais atvērtais projekts šajā jomā, publicē savus skaitļus: 84 710 sugas un vairāk nekā 1,47 miljardi attēlu, kas sadalīti 77 reģionālajās florās. Tas ir daudz, un tomēr tā ir tikai daļa no aptuveni 400 tūkstošiem pasaulē aprakstīto ziedaugu sugu.

2. Ticamības procents norāda uz līdzību, nevis patiesību. Augsts rādītājs nozīmē: "Šis fotoattēls ir ļoti līdzīgs šīs sugas attēliem manā datubāzē." Ja pareizās sugas tur nav, modelis pārliecinoši parādīs līdzīgāko blakus sugu.

3. Auga daļai ir lielāka nozīme nekā lietotnei. Katrs auga orgāns satur atšķirīgu taksonomiskās informācijas daudzumu, un modelis spēj analizēt tikai to, kas redzams fotoattēlā.

4. Modelis ir vidējais rādītājs. Tas ir apmācīts ar pieaugušu, veselu augu attēliem vidē, kur šī suga parasti aug. Jo tālāk jūsu gadījums ir no šī standarta, jo biežāk modelis kļūdīsies.

Pats Pl@ntNet atklāti pasaka to, ko neviens cits produkta apraksts nepiemin: "tāpat kā jebkurš MI modelis, arī Pl@ntNet nav nekļūdīgs".

Cik precīza ir noteikšana ar MI: pētījumu rezultāti

Četros neatkarīgos pētījumos, kas publicēti laikā no 2020. līdz 2025. gadam, mākslīgā intelekta augu noteikšanas lietotnes pareizi noteica sugu ar pirmo mēģinājumu 17% līdz 90% gadījumu atkarībā no lietotnes, testētās floras un nofotografētās auga daļas. Ģints noteikšanas precizitāte vienmēr ir augstāka nekā sugas noteikšanas precizitāte.

Zemāk ir apkopoti katra pētījuma dati. Šajos pētījumos izmantota atšķirīga flora, paraugi un kritēriji, tāpēc datus drīkst salīdzināt tikai vienas rindas ietvaros, nekad starp rindām. Lietotne, kas uzrāda 83% precizitāti Ņūdžersijas koku pētījumā, nav obligāti "labāka" par citu, kam ir 57% Lielbritānijas floras pētījumā.

Visiem četriem pētījumiem ir divas kopīgas iezīmes. Pirmā: lietotnes attīstās ļoti strauji, un atšķirība starp 2020. un 2025. gada pētījumiem ir pārāk liela, lai tā būtu nejaušība. Otrā: kadra izvēle ietekmē rezultātu tikpat stipri kā atšķirība starp labākajām lietotnēm. Schmidt pētījumā lapas aizstāšana ar mizu visprecīzākajai lietotnei maksāja 32 procentpunktus, kas ir vairāk nekā divreiz vairāk par 14 punktu starpību, kas to šķīra no otrās vietas ieguvējas.

Lietotne, ko lejupielādējat, gandrīz nekad pati neveic atpazīšanu. Daudzas no tām fonā izmanto trešo pušu dzinējus. Bloom izmanto Plant.id platformu, to pašu dzinēju, kas ieņēma pirmo vietu Jones (2020) pētījumā un šobrīd ir pirmais rezultāts Google meklētājā augu noteikšanai ar neatkarīgu universitāšu pārbaudītu 93% precizitāti. Šis skaitlis attiecas uz pašu atpazīšanas dzinēju, nevis visu lietotni kopumā, un tā tas būtu jāuztver jebkurā lietotnē, kas izmanto šo pakalpojumu sniedzēju.

Kāpēc mizas fotoattēls kļūdās daudz biežāk nekā lapas attēls

Mizas fotoattēls ir vissliktākais iespējamais kadrs augu noteikšanai ar MI. Schmidt un kolēģu (2022) pētījumā tās pašas 55 sugas tika nofotografētas divreiz: vienreiz pēc lapas un otrreiz pēc mizas, izmantojot to pašu ierīci un tos pašus vērtētājus. Precizitātes kritums ir acīmredzams:

Precizitātes kritums sugas līmenī bija 32,04 procentpunkti lietotnei PictureThis un 37,73 punkti lietotnei iNaturalist. Pētījuma kopsavilkumā teikts: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (šīs lietotnes ir daudz precīzākas, identificējot lapu fotoattēlus, salīdzinot ar mizas fotoattēliem).

Iemesls ir botānisks, nevis tehnoloģisks. Lapa satur pazīmes, kas reāli palīdz atšķirt sugas: kontūru, malas veidu (gluda, zāģzobaina, daivaina), dzīslu zīmējumu un vietu, kur piestiprināts kātiņš. Miza turpretī sniedz tikai tekstūru, un mizas tekstūra mainās atkarībā no koka vecuma, dienas mitruma, uz tās augošajiem ķērpjiem un sēnēm, kā arī stumbra puses, ko nofotografējāt. Divām dažādām sugām 20 gadu vecumā miza var izskatīties gandrīz vienādi, savukārt vienas sugas miza radikāli mainās vecumā no 5 līdz 50 gadiem.

Viens un tas pats augs ziedēšanas laikā maina rezultātu

Zieds ir visinformatīvākā struktūra augu noteikšanai ar MI, un atšķirība ir pietiekami liela, lai ietekmētu to, kad tieši izvēlaties fotografēt. Campbell, Peacock un Bacon (2023) pētījumā 38 lakstaugu sugas tika nofotografētas 560 reizes: puse lapu attēlu un puse ziedu attēlu, izmantojot to pašu tālruni un bez attēlu rediģēšanas. Rezultāti pa lietotnēm:

Šis efekts atkal parādās neatkarīgi pētījumā Hart et al. (2023), People and Nature 5(2), kurā fiksēts: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (lietotnes ar zemāku veiktspēju darbojās ievērojami labāk, kad bija redzams zieds).

Iemesls ir tāds pats kā mizas gadījumā. Zieds ir struktūra, ko botānikā izmanto jau trīs gadsimtus augu klasifikācijai, jo vainaglapu skaits, simetrija, putekšņlapu izvietojums un kauslapu forma ir stabila vienas sugas ietvaros un atšķirīga starp sugām. Lapa ir daudz divdomīgāka: desmitiem ārumu dzimtas sugu ir vienādas zaļas, spīdīgas un ovālas lapas.

Scindapši, līdakastes, monsteras, papardes un zamiokulkas dzīvoklī zied ļoti reti vai nekad. Tas nozīmē, ka tie, kas fotografē istabas augus, gandrīz vienmēr atrodas viszemākās precizitātes zonā.

Kāpēc jūsu istabas augs ir visgrūtākais gadījums

Istabas augi ir vissarežģītākais scenārijs augu noteikšanai ar MI trīs galveno iemeslu dēļ: tie nav mērīti publicētajos pētījumos, tie bieži ir kultivāri, kurus taksonomija nenodala no pamatsugas, un tie gandrīz nekad nezied telpās.

Nevienā publicētajā pētījumā nav mērīti tieši istabas augi. Ir vērts aplūkot, ko katrs pētījums izmantoja: Schmidt un kolēģi (2022) testēja Ņūdžersijas ielu un meža kokus; Campbell, Peacock un Bacon (2023) pētīja Īrijas lauku lakstaugus; Jones (2020) analizēja Lielbritānijas floru; savukārt Hart un kolēģi (2023) pētīja Apvienotās Karalistes savvaļas floru, apzināti izslēdzot eksotiskās parku un dārzu sugas. Kad lasāt, ka "lietotnes uzrāda 85% precizitāti", šie 85% ir izmērīti dabā, nevis jūsu viesistabā.

Kultivārs nav suga, un modelis atpazīst tikai sugu. Augs, ko iegādājāties ziedu veikalā, bieži vien ir dārzkopības ceļā atlasīta šķirne ar izdomātu nosaukumu. Monstera deliciosa 'Thai Constellation' un 'Albo Borsigiana' taksonomiski ir viena un tā pati suga. Atšķirība ir tikai lapu raibumā, tieši tajā pazīmē, ko jūsu acs izmanto to atšķiršanai, bet ko modelis ir iemācījies ignorēt kā apgaismojuma izmaiņas. Datubāzēs vairumam kultivāru nav atsevišķu marķējumu, tāpēc lietotne pareizi noteiks sugu, bet kļūdīsies attiecībā uz konkrēto šķirni jūsu mājās.

Mājas augi gandrīz vienmēr atšķiras no apmācības paraugiem. Atsauces fotoattēlos redzami pieauguši, veseli augi savā dabiskajā vidē. Jūsu augs ir nelielā podā, apgriezts, pastiepies loga virzienā, ar mazākām lapām nekā parasti, iespējams, ar sausiem galiem un bez ziediem. Katra no šīm novirzēm attālina attēlu no tā, ko modelis redzēja apmācībā, un šīs nianses summējas.

Lietotne joprojām ir noderīga istabas augiem. Taču jāņem vērā, ka publicētie skaitļi ir maksimālais griestu rādītājs, nevis jūsu ikdienas vidējais rezultāts, un rezultāta pārbaude šeit ir vēl svarīgāka nekā mežā.

Kad kļūda maksā dārgi: indīgi augi un mājdzīvnieki

Augu noteikšana ar mākslīgo intelektu nav uzticama, lai izlemtu, vai augs ir toksisks. Pētījumā, kas publicēts izdevumā Clinical Toxicology 61(7) 2023. gadā, vismaz viena no vērtētajām lietotnēm 5 no 11 potenciāli toksiskām sugām identificēja kā ēdamas. Campbell, Peacock un Bacon pētījumā bija iekļauti divi toksiski augi, un tajā nonākts pie tāda paša secinājuma teikumā, kuru ir vērts citēt pilnībā:

"They should not be trusted to identify toxic species." Tiem nevajadzētu uzticēties indīgu sugu noteikšanā.

Praktiskais noteikums ir vienkāršs: izmantojiet lietotni kā pirmo filtru un apstipriniet sugu botāniskā avotā, pirms atstājat augu kaķim, sunim vai bērnam pieejamā vietā, un nekad neko neēdiet, balstoties uz fotoattēla identifikāciju. Divi no Brazīlijā visizplatītākajiem telpaugiem ir mājdzīvniekiem toksisko augu vidū:

Kā fotografēt, lai MI precizitāte būtu lielāka

Fotoattēla kadra izvēle ietekmē rezultātu vairāk nekā konkrētās lietotnes izvēle. Šeit ir seši noteikumi, kas balstīti zinātniskos pētījumos:

1. Ja ir zieds, fotografējiet ziedu. Tā ir 6 līdz 29 procentpunktu atšķirība PLOS ONE tabulā vienas un tās pašas lietotnes ietvaros.

2. Vienmēr dodiet priekšroku lapai, nevis mizai. Schmidt un kolēģu pētījumā tas deva līdz pat 32 procentpunktu starpību sugas līmenī.

3. Viens orgāns vienā fotoattēlā. Kadru aizpildiet ar vienu veselu lapu vai ziedu, nevis fotografējiet visu augu no attāluma.

4. Tīrs fons. Lapa, kas novietota uz balta papīra vai plaukstā, palīdz novērst fonu, ko modelis varētu sajaukt ar pašu augu.

5. Piekļūstiet pietiekami tuvu, lai redzētu dzīslas. Dzīslu zīmējums veido pusi no taksonomiskās informācijas, ko sniedz lapa.

6. Izpētiet pirmos 5 ieteikumus, nevis tikai pašu pirmo. Hart pētījumā (2023) lietotņu vidējā precizitāte pieauga no 69% pirmajā ieteikumā līdz 85% pirmo piecu ieteikumu ietvaros. Pareizā suga parasti ir sarakstā, tikai ne pašā augšā.

Ja lietotne to piedāvā, augšupielādējiet vairākus viena un tā paša auga fotoattēlus, parādot dažādas tā daļas. Sistēmas, kas pieņem vairākus attēlus, apvieno signālus un sniedz precīzāku rezultātu.

Vai pastāv bezmaksas augu noteikšana ar MI?

Jā, trīs dažādos veidos.

Bezmaksas bez ierobežojumiem, ar akadēmisku izcelsmi. Pl@ntNet ir Francijas publiskās pētniecības projekts, un tas neprasa nekādu samaksu. Tas ir visspēcīgākais savvaļas un vietējo augu noteikšanā, uzrāda ticamības pakāpi un piedāvā alternatīvas kandidātsugas, nevis uzstāj uz tikai vienu variantu. Tas nenodrošina augu kopšanas funkcijas vai atgādinājumus.

Bezmaksas un iebūvēts tālrunī. Google Lens ir pieejams Google lietotnē un pārlūkprogrammā Chrome, darbojas Android un iPhone tālruņos un tam nav noteiktu meklēšanas ierobežojumu. Abos pētījumos, kuros tas tika mērīts, precizitāte ar pirmo mēģinājumu bija no 55% līdz 68%, atpaliekot no specializētajām augu lietotnēm. Detalizēta pamācība pieejama rakstā kā noteikt augu ar Google Lens.

Bezmaksas režīms ar ierobežojumiem kopšanas lietotnēs. Šeit piedāvājums ir ļoti atšķirīgs, un lielai daļai noteikšanas lietotņu bezmaksas režīma nav vispār. Bloom piedāvā bezmaksas versiju: tā sniedz 2 noteikšanas reizes mēnesī un laistīšanas kalendāru bez laika ierobežojuma. Lai salīdzinātu, ko katra lietotne piedāvā, pilns saraksts ir pieejams rakstā labākās lietotnes augu noteikšanai.

Biežāk uzdotie jautājumi

Vai ir pieejams bezmaksas MI rīks augu noteikšanai?

Jā. Pl@ntNet ir bezmaksas un bez ierobežojumiem, jo tas ir publisks pētniecības projekts, un Google Lens ir iebūvēts Google lietotnē un Chrome. Eksistē arī kopšanas lietotnes ar bezmaksas limitu, taču tās ir mazākumā. Neviena no tām neprasa maksu par pirmo noteikšanas reizi.

Kura ir visprecīzākā augu noteikšanas lietotne?

Tas ir atkarīgs no tā, ko fotografējat, un godīga atbilde ir tāda, ka vienu uzvarētāju izvēlēties nevar. Katrā pētījumā tika testēta atšķirīga flora: PictureThis bija pirmajā vietā ar Ņūdžersijas kokiem, Pl@ntNet ar Īrijas lakstaugiem, bet Plant.id ar Lielbritānijas floru. Salīdzināt skaitļus starp dažādiem pētījumiem nav korekti.

Vai MI nosaka istabas augus tikpat labi kā savvaļas augus?

Nav publicētu pētījumu, kas to būtu mērījuši. Visi zinātniskie testi veikti ar pilsētas kokiem vai savvaļas floru, un viens no tiem apzināti izslēdza dārza sugas. Istabas augi parasti ir kultivāri bez ziediem un neatbilst apmācības standartiem, kas mēdz samazināt precizitāti.

Vai lietotne spēj pateikt manu augu precīzo varietāti?

Reti. Tādi kultivāri kā 'Thai Constellation' un 'Pink Princess' pieder pie tās pašas sugas, kas parastā forma, un atšķirība ir krāsu mutācijā, ko modelis ir iemācījies uztvert kā gaismas izmaiņas. Gaidiet sugas nosaukumu, nevis konkrētu varietāti vai šķirni.

Vai varu izmantot MI noteikšanu, lai uzzinātu, vai augs ir indīgs?

Kā pirmo pavedienu, jā. Kā galīgo lēmumu, nē. 2023. gada testā izdevumā Clinical Toxicology vismaz viena lietotne 5 no 11 indīgām sugām norādīja kā ēdamas. Vienmēr pārbaudiet sugu botāniskos avotos, pirms ļaujat augam atrasties mājdzīvnieku vai bērnu tuvumā.

Secinājums

Rezultātu izšķir tas, kas redzams fotoattēlā. Vienas lietotnes un viena auga ietvaros, aizstājot mizu ar lapu, precizitāte pieaug līdz 32 procentpunktiem, savukārt, aizstājot lapu ar ziedu, līdz 29 procentpunktiem. Pareiza kadra izvēle ir vienīgais faktors, ko varat kontrolēt, un tas dod lielāku efektu nekā citas lietotnes meklēšana. Ja fotografējat istabas augu, ņemiet vērā, ka nevienā pētījumā šis scenārijs nav mērīts, un uztveriet ekrānā redzamo nosaukumu kā ticamu versiju, nevis absolūtu patiesību.

Nākamais praktiskais solis ir nofotografēt augu vēlreiz, ievērojot minētos sešus noteikumus, un pārbaudīt, vai parādās tā pati suga. Ja rezultāts starp diviem labiem fotoattēliem mainās, tas liecina, ka modelis nav drošs un jums ir nepieciešams otrs informācijas avots.

Kad aiz jautājuma par nosaukumu seko "un ko man tagad ar to iesākt", ar nosaukumu vien nepietiek. Šajā brīdī noder lietotne, kas turpina darbu arī pēc noteikšanas, piedāvājot laistīšanas un apgaismojuma plānu konkrētajai sugai. Bloom to nodrošina, izmanto Plant.id dzinēju un ir pieejams tikai iPhone lietotājiem.

Ja jūsu gadījumā problēma ir slims augs, nevis nezināma suga, risinājums ir cits: sāciet ar rakstu par to, kā uzzināt, kas kaiš manam augam.