標本画像解析のためのオブジェクト検出駆動型セグメンテーションパイプライン：PlantSAM

科学分野:

• 植物学;コンピュータサイエンス;デジタルイメージング

背景:

• ディープラーニングを用いた標本画像の分類は、不均一な背景のために課題に直面しています。;背景ノイズやアーチファクトは、モデルを誤解させ、分類精度を低下させる可能性があります。

研究 の 目的:

• 標本画像解析を強化するための自動化されたセグメンテーションパイプラインであるPlantSAMを開発すること。;標本画像からの植物形質のディープラーニングベースの分類精度を向上させること。

主な方法:

• PlantSAMは、オブジェクト検出のためにYOLOv10を、セグメンテーションのためにSegment Anything Model (SAM2)を統合しています。;YOLOv10とSAM2の両方を標本画像でファインチューニングし、YOLOv10はSAM2のバウンディングボックスプロンプトを提供しました。;性能は、Intersection over Union (IoU)とSørensen-Dice係数を使用して評価されました。

主要な成果:

• PlantSAMは、IoU 0.94、Sørensen-Dice係数0.97で最先端のセグメンテーション性能を達成しました。;セグメント化された画像を分類モデルに統合することで、5つの植物形質すべてで性能が向上しました。;精度向上は最大4.36％、F1スコア向上は最大4.15％に達しました。

結論:

• 背景除去は、標本画像解析を改善するために不可欠です。;自動化されたセグメンテーションは、ディープラーニングモデルが植物構造に焦点を当てる能力を高め、より良い分類結果につながります。