Humboldt-Gymnasium Berlin Tegel
Die Motivation des Projekts Orch_ai_d lag in der Schaffung eines sinnvollen KI-Tools, zunächst mit dem Fokus auf dem Umweltschutz. Ursprünglich plante das Team, an Bäumen zu arbeiten, entschied sich jedoch aufgrund ihres langen Wachstumszyklus und ihrer Größe für Orchideen als Modellorganismus. Das Ziel war die Entwicklung eines flexiblen KI-Tools für die Klassifizierung von Bildern in der Biologie, da gelabelte Bilddaten in der Biologie knapp sind.
Die Arbeitsweise des Projekts wurde vom menschlichen Gehirn inspiriert, indem sechs spezialisierte Erkennungssysteme verwendet wurden. Python und PyTorch wurden als Programmiersprache bzw. KI-Framework genutzt, und BoundingBoxes wurden verwendet, um Bilder vor der Klassifizierung aufzuteilen. Das Training erfolgte unter Verwendung von zwei persönlichen Computern mit unterschiedlichen Spezifikationen.
Die Forschungsreise begann mit umfangreichen Recherchen zu Orchideentypen und deren Krankheiten. Das Team entwickelte ein benutzerfreundliches KI-Tool, das auf der Analyse verschiedener Pflanzenteile basiert. Die Bildklassifizierung erfolgte durch die Verwendung von BoundingBoxes, um verschiedene Pflanzenteile zu isolieren und die Genauigkeit zu erhöhen.
Das Projekt führte zu einer Android-Anwendung und einer Website, die Bilder an einen Server senden und die Ausgabe zurück an den Benutzer liefern. Die Verantwortlichkeiten im Team waren aufgrund der Expertise aufgeteilt, wobei Alois sich auf die Codierung und KI-Schulung konzentrierte und Elora sich auf Datensammlung, Versuchsdurchführung und statistische Analyse konzentrierte.
Die Systemarchitektur umfasst die Verwendung von Orchideenbildern als Eingabe, die durch die ersten beiden KI-Untereinheiten vorverarbeitet werden. Die BoundingBox-AI-Untereinheit teilt die Diagnose in mehrere Komponenten auf, indem sie die Hauptorgane und Blüten der Orchidee einrahmt und klassifiziert. Spezialisierte Klassifikatoren auf der primären Verarbeitungsebene werden mit gelabelten Bildern trainiert, um Stressfaktoren für ein bestimmtes Pflanzenorgan zu identifizieren.
Die Ergebnisse zeigen eine Gesundheitsklassifikationsgenauigkeit von 80%, wobei die spezialisierten Klassifikatoren eine entscheidende Rolle spielen. Das System wurde als effizient in der Nutzung von Datenressourcen nachgewiesen, und die Flexibilität seiner Architektur ermöglichte eine einfache Anpassung und Erweiterung für zukünftige Anwendungen in den Lebenswissenschaften und darüber hinaus.
Comments are closed