Hoe het identificatiemodel werkt
Het identificatiemodel van Pl@ntNet is ontworpen om gebruikers te helpen planten te identificeren aan de hand van afbeeldingen. Het is gebaseerd op een combinatie van kunstmatige intelligentie (AI) en menselijke bijdragen om de best mogelijke resultaten te verkrijgen. Dit is hoe het werkt:
1. Foto’s maken
De gebruiker maakt een of meer foto’s van de plant die hij wil identificeren. Deze afbeeldingen tonen idealiter verschillende delen van de plant, zoals bladeren, bloemen, vruchten en schors. Hoe scherper en gevarieerder de afbeeldingen, hoe groter de kans dat het model een nauwkeurige identificatie kan maken.
2. Initiële analyse door AI
De kunstmatige intelligentie van Pl@ntNet is gebaseerd op beeldherkenningsmodellen die de foto’s van gebruikers kunnen vergelijken met een uitgebreide database van plantensoorten. Aanvankelijk gebruikte Pl@ntNet convolutionele neurale netwerken (CNN’s), een klassieke methode van deep learning die bijzonder effectief is voor het verwerken van afbeeldingen. CNN’s analyseren afbeeldingen door belangrijke visuele kenmerken te extraheren, zoals de vorm van bladeren, de kleur van bloemen of de textuur van stengels. Deze kenmerken worden vervolgens gebruikt om vergelijkbare soorten voor te stellen.
CNN’s vertonen echter bepaalde beperkingen en Pl@ntNet heeft een grote technologische sprong gemaakt door Vision Transformers (ViT’s) te adopteren. In tegenstelling tot CNN’s, die afbeeldingen verwerken door de delen van de afbeelding te lokaliseren en te analyseren vanuit kleine vensters, verwerken Vision Transformers de afbeelding als geheel met behulp van een op aandacht gebaseerde aanpak, een methode geïnspireerd op de modellen die worden gebruikt in de natuurlijke taalverwerking.
Vision Transformers zijn bijzonder geschikt voor het analyseren van complexe afbeeldingen en fijne details op planten, zoals de precieze vorm van bladeren of de configuratie van bloemen. Deze aanpak maakt het model nauwkeuriger en robuuster, vooral bij het identificeren van plantensoorten die vergelijkbare kenmerken delen maar verschillen in subtiele details. Vision Transformers zijn dus een belangrijke vooruitgang in de nauwkeurigheid en betrouwbaarheid van de identificaties die door de AI van Pl@ntNet worden uitgevoerd.
Dankzij deze evolutie is het AI-model beter geworden en in staat om complexere afbeeldingen met een betere nauwkeurigheid te verwerken. Dit stelt Pl@ntNet in staat om nog betrouwbaardere identificaties van planten voor te stellen, zelfs voor soorten die visueel moeilijk te onderscheiden zijn.
3. Validatie door de community
AI alleen is echter niet voldoende en de deelname van de Pl@ntNet-community aan de validatie van automatische identificaties is essentieel. Gebruikers kunnen de voorstellen van de AI bekijken en de identificaties valideren of corrigeren. Als meerdere gebruikers een identificatie bevestigen, wordt deze betrouwbaarder.
4. Continue verbetering van het model
Elke keer dat een gebruiker een identificatie valideert of een fout corrigeert, wordt deze informatie gebruikt om het AI-model te verbeteren. Met andere woorden, de AI leert van haar fouten dankzij de menselijke bijdragen, waardoor de nauwkeurigheid van toekomstige identificaties wordt verhoogd.
5. Gebruik van taxonomische referentiekaders
Het identificatiemodel maakt gebruik van taxonomische referentiekaders om te controleren of de naam van een plant geldig is. Deze referentiekaders bevatten betrouwbare informatie over soorten en helpen fouten bij identificaties te voorkomen.
6. Betrouwbaarheid van de identificatie
Het model berekent ook een vertrouwensniveau voor elke identificatie. Deze score geeft aan hoe zeker de AI van haar identificatie is. Hoe hoger de score, hoe betrouwbaarder de identificatie. Als de identificatie een bepaalde betrouwbaarheidsscore niet bereikt, wordt deze waarschijnlijk afgewezen of vraagt deze om extra revisie.
7. Bijdrage aan de database
Wanneer de identificatie is gevalideerd, wordt deze toegevoegd aan de database van Pl@ntNet. Deze gegevens worden vervolgens gebruikt om het platform te verrijken en bij te dragen aan wetenschappelijk onderzoek naar biodiversiteit.
8. Interactie met andere gebruikers
Naast automatische identificatie kunnen gebruikers bij Pl@ntNet stemmen om de identificatievoorstellen van anderen te valideren of te verwerpen. Dit creëert een collaboratief proces dat de kwaliteit van de identificaties voortdurend verbetert.
Samengevat
Het identificatiemodel van Pl@ntNet werkt dankzij een combinatie van kunstmatige intelligentie, community-reviews en taxonomische referentiekaders. Elke observatie wordt eerst geanalyseerd door de AI en vervolgens gevalideerd of gecorrigeerd door de community. De AI leert van deze interacties om in de loop der tijd nauwkeuriger te worden, waardoor een collaboratief en evoluerend systeem voor het identificeren van planten ontstaat.