从使用深度学习的高分辨率图像中识别草本样本板组件
Karen M Thompson1, Robert Turnbull1, Emily Fitzgerald1
1University of Melbourne Melbourne Victoria Australia.
Ecology and evolution
|August 17, 2023
概括
计算机视觉模型现在可以从草本馆图像中提取生物多样性数据. 一个训练有素的YOLOv5模型准确地识别样本组件,提高数字化效率.
科学领域:
- 生物多样性信息学 生物多样性信息学
- 计算机视觉 计算机视觉 计算机视觉
- 数字标本成像成像数字标本成像
背景情况:
- 草药馆标本是重要的生物多样性数据来源.
- 从数字图像中手动提取数据是耗时且容易出现错误的.
- 先进的计算机视觉可以自动化和增强从草本馆图像的数据捕获.
研究的目的:
- 开发和评估一个物体检测模型,用于识别在草原样本表上的组件.
- 评估模型在不同的草本学领域的可通用性.
- 为数字化工作提供一个易于使用的模型.
主要方法:
- 对象检测模型 (YOLOv5) 通过来自墨尔本大学草本馆 (MELU) 的3371张注释图像进行训练.
- 在1000张注释图像上进行模型验证,使用包括精度,回忆和平均平均精度 (mAP) 在内的性能指标.
- 在来自九个全球草原和微调实验的标本上进行了概括测试.
主要成果:
- 经MELU训练的"板式组件"模型实现了高性能 (mAP0.5-0.95的0.847),准确识别了11种组件类型.
- 像"机构"和"注释"这样的特定标签显示出强大的预测准确性 (mAP0.5-0.95分别为0.970和0.878).
- 该模型在各种各样的草本中展示了通用性 (mAP0.5-0.95在0.68-0.89之间),并且可以在最小的数据中进行微调.
结论:
- 对象检测模型,如基于YOLOv5的"表组件"模型,显著增强从草本馆图像中提取生物多样性数据.
- 开发的模型是准确的,可以通用化,并且可以适应新的收藏品,只需有限的再培训.
- 使训练后的模型权重可用,可以支持资源有限的 herbaria 在他们的数字化工作流程中.
