自动化空气中花粉分类:为分类器识别和解释硬样本
Manuel Milling1,2,3, Simon D N Rampp3, Andreas Triantafyllopoulos1,2,3
1CHI - Chair of Health Informatics, MRI, Technical University of Munich, Munich, Germany.
Heliyon
|February 3, 2025
概括
对于花粉分类的深度学习面临的挑战包括每张图像的多个粒,标记器封闭和模糊的特征. 了解这些问题是改善自动空中花粉监测系统的关键.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 植物学 植物学
背景情况:
- 自动监测空气中的花粉对于过敏管理和生态研究至关重要.
- 深度学习模型在花粉粒分类方面表现有前途,但它们的性能局限性尚未得到充分理解.
研究的目的:
- 识别和分析阻碍基于深度学习的花粉分类准确性的关键挑战.
- 调查为什么某些花粉样本和种群对深度学习算法来说特别困难.
主要方法:
- 从显微镜图像中对大量自动生成的花粉粒数据集进行了样本级难度分析.
- 利用基于概率的指标来评估单个样本和种类的分类难度.
主要成果:
- 确定了三个主要的挑战: (A) 在单个图像中同时出现多个花粉粒, (B) 在二维显微镜图像中遮住花粉标记,以及 (C) 在某些花粉种群中缺乏独特的突出特征.
- 分析揭示了深度学习模型中分类错误的具体原因.
结论:
- 解决像图像复杂性,特征封闭和固有的特征变化等挑战对于在自动花粉监测中推进深度学习至关重要.
- 这些发现为开发更强大,更准确的花粉分类算法提供了洞察力.


