Hintergrund und Zielsetzung
Eine aktuelle Studie untersucht, wie Bildanalyse und maschinelles Lernen die Bewertung von Schäden durch den Bananenwurzelfrass (Cosmopolites sordidus) präziser machen können. Ziel ist es, genotypische Resistenz gegenüber dem Schädling objektiv zu erfassen und damit die Auswahl geeigneter Eltern für Zuchtprogramme zu unterstützen.
Methodik der Bildanalyse
Die Forscher kombinierten das Bildbearbeitungsprogramm ImageJ mit vier maschinellen Lernmodellen: YOLO_v11 medium, U-Net 512, SegFormer und MiT‑b0. Für das Training kamen 260 Bilder zum Einsatz, 65 Bilder dienten der Testphase und 72 Bilder wurden zur Validierung verwendet. Alle Modelle sollten die Schadensfläche im Bananen‑Corm erkennen und quantifizieren.
Versuchsaufbau und Datenerhebung
Im Rahmen eines teilreplizierten Versuchs (P‑rep) wurden 18 Testgenotypen und vier Kontrollgenotypen kultiviert. Alle Pflanzen entstanden aus Gewebekultur, wurden in Töpfen aufgezogen und anschließend mit den Käfern befallen. Nach Abschluss des Experiments wurden 370 Corm‑Proben sowohl visuell als auch mittels Bildanalyse bewertet, wobei die prozentuale Schadenshöhe ermittelt wurde.
Ergebnisse der Vergleichsanalyse
Die Analyse ergab einen signifikanten Genotyp‑Effekt, der auf unterschiedliche Resistenzlevels hinweist. Zudem zeigte sich eine signifikante Wechselwirkung zwischen Genotyp und Bewertungsmethode, sodass die Rangfolge der Genotypen je nach Methode variierte. Visuelle Beobachtungen stimmten bei geringen Schadenswerten stärker mit den Bildanalysen überein als bei hohen Schadenswerten.
Leistung der maschinellen Lernmodelle
Alle Modelle außer YOLO_v11 medium lieferten eine hohe Übereinstimmung mit den Bildanalysen und konnten somit als zuverlässige, wiederholbare Messinstrumente eingesetzt werden. YOLO_v11 medium wies geringere Übereinstimmung auf, weshalb es für diese Anwendung weniger geeignet ist.
Implikationen fĂĽr die Zucht
Die Autoren empfehlen den Einsatz der getesteten maschinellen Lernverfahren, um individuelle Voreingenommenheit bei der visuellen Bewertung zu vermeiden. Durch die objektive Schadensmessung können Züchter resistentere Bananengattungen schneller identifizieren und in ihre Programme integrieren.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung