Funktionsweise des Identifikationsmodells
Das Identifikationsmodell von Pl@ntNet wurde entwickelt, um Nutzern die Identifizierung von Pflanzen anhand von Bildern zu erleichtern. Es basiert auf einer Kombination aus künstlicher Intelligenz (KI) und menschlichen Beiträgen, um bestmögliche Ergebnisse zu erzielen. So funktioniert es:
1. Fotos aufnehmen
Der Nutzer macht ein oder mehrere Fotos der Pflanze, die er identifizieren möchte. Diese Bilder zeigen idealerweise verschiedene Teile der Pflanze, wie Blätter, Blüten, Früchte und Rinde. Je schärfer und vielfältiger die Bilder sind, desto größer ist die Wahrscheinlichkeit, dass das Modell eine genaue Identifizierung vornimmt.
2. Erste Analyse durch KI
Die künstliche Intelligenz von Pl@ntNet basiert auf Bilderkennungsmodellen, die die von den Nutzern gesendeten Fotos mit einer umfangreichen Datenbank von Pflanzenarten vergleichen können. Anfänglich verwendete Pl@ntNet Convolutional Neural Networks (CNN), eine klassische Methode des Deep Learning, die sich besonders gut für die Verarbeitung von Bildern eignet. CNNs analysieren Bilder, indem sie wichtige visuelle Merkmale extrahieren, wie die Blattform, die Blütenfarbe oder die Textur der Stängel. Diese Merkmale werden dann verwendet, um ähnliche Arten vorzuschlagen.
CNNs weisen jedoch einige Einschränkungen auf, und Pl@ntNet hat einen großen technologischen Sprung mit der Einführung der Vision Transformers (ViT) vollzogen. Im Gegensatz zu CNNs, die Bilder verarbeiten, indem sie Teile des Bildes aus kleinen Fenstern lokalisieren und analysieren, verarbeiten Vision Transformers das gesamte Bild mit einem auf Aufmerksamkeit basierenden Ansatz, einer Methode, die von den in der Verarbeitung natürlicher Sprache verwendeten Modellen inspiriert ist.
Vision Transformers eignen sich besonders gut zur Analyse komplexer Bilder und feiner Details an Pflanzen, wie die genaue Form der Blätter oder die Blütenkonfiguration. Dieser Ansatz ermöglicht es dem Modell, genauer und robuster zu sein, insbesondere bei der Identifizierung von Pflanzenarten, die ähnliche Merkmale aufweisen, sich aber in feinen Details unterscheiden. Vision Transformers stellen daher einen bedeutenden Fortschritt in der Genauigkeit und Zuverlässigkeit der von der KI von Pl@ntNet durchgeführten Identifizierungen dar.
Durch diese Weiterentwicklung ist das KI-Modell leistungsfähiger geworden und kann komplexere Bilder mit höherer Genauigkeit verarbeiten. Dies ermöglicht es Pl@ntNet, noch zuverlässigere Pflanzenidentifizierungen anzubieten, selbst für Arten, die visuell schwer zu unterscheiden sind.
3. Community-Validierung
KI allein reicht jedoch nicht aus, und die Beteiligung der Pl@ntNet-Community an der Validierung der automatischen Identifizierungen ist unerlässlich. Die Nutzer können die Vorschläge der KI überprüfen und die Identifizierungen bestätigen oder korrigieren. Wenn mehrere Nutzer eine Identifizierung bestätigen, wird sie zuverlässiger.
4. Kontinuierliche Verbesserung des Modells
Jedes Mal, wenn ein Nutzer eine Identifizierung bestätigt oder einen Fehler korrigiert, werden diese Informationen verwendet, um das KI-Modell zu verbessern. Mit anderen Worten, die KI lernt aus ihren Fehlern dank der menschlichen Beiträge, was die Genauigkeit zukünftiger Identifizierungen erhöht.
5. Verwendung taxonomischer Referenzdatenbanken
Das Identifikationsmodell verwendet taxonomische Referenzdatenbanken, um zu überprüfen, ob der Name einer Pflanze gültig ist. Diese Datenbanken enthalten zuverlässige Informationen über Arten und helfen, Fehler bei der Identifizierung zu vermeiden.
6. Zuverlässigkeit der Identifizierung
Das Modell berechnet auch einen Sicherheitswert für jede Identifizierung. Dieser Wert spiegelt wider, wie sicher sich die KI ihrer Identifizierung ist. Je höher der Wert, desto zuverlässiger ist die Identifizierung. Wenn die Identifizierung einen bestimmten Vertrauensgrenzwert nicht erreicht, wird sie wahrscheinlich abgelehnt oder einer zusätzlichen Überprüfung unterzogen.
7. Beitrag zur Datenbank
Wenn die Identifizierung bestätigt wird, wird sie der Pl@ntNet-Datenbank hinzugefügt. Diese Daten werden dann verwendet, um die Plattform zu erweitern und zur wissenschaftlichen Forschung über die Biodiversität beizutragen.
8. Interaktion mit anderen Nutzern
Neben der automatischen Identifizierung ermöglicht Pl@ntNet den Nutzern, für die Bestätigung oder Ablehnung der von anderen vorgeschlagenen Identifizierungen zu stimmen. Dies schafft einen kollaborativen Prozess, der die Qualität der Identifizierungen ständig verbessert.
Zusammenfassung
Das Identifikationsmodell von Pl@ntNet funktioniert dank einer Kombination aus künstlicher Intelligenz, Community-Überprüfungen und taxonomischen Referenzdatenbanken. Jede Beobachtung wird zunächst von der KI analysiert und dann von der Community validiert oder korrigiert. Die KI lernt aus diesen Interaktionen, um im Laufe der Zeit genauer zu werden, wodurch ein kollaboratives und evolutionäres System zur Pflanzenidentifizierung entsteht.