通过基于深度学习的细分来增强草本馆藏中的植物形态特征识别.

科学领域:

• 植物学 植物学
• 计算机科学 计算机科学
• 生物多样性研究 生物多样性研究

背景情况:

• 数字化草本馆藏对于植物进化和生物多样性研究至关重要.
• 通过深度学习分析这些集合是具有挑战性的,因为背景异质.
• 假设删除非植物背景可以提高算法性能.

研究的目的:

• 开发一种深度学习方法,用于对植物面具进行细分,并从草药房扫描中删除背景.
• 为了提高植物特征识别的准确性,使用加工的草本馆图像.

主要方法:

• 使用一种新的深度学习方法来细分植物面具并删除非植物背景.
• 半自动预处理减少了数据集准备中的手工工作.
• 该方法在图像细分和随后的分类任务中的有效性得到了评估.

主要成果:

• 图像细分实现了高F1得分,高达96.6%.
• 分段化提高了分类准确度高达3%,植物特征识别F1得分高达7%.
• 处理的图像显著提高了分类模型的性能.

结论:

• 有效的图像细分对于分析草本扫描至关重要.
• 拟议的方法成功地隔离了植物元素,改善了下游分类任务.
• 这种方法增强了数字化草本馆藏的科学研究实用性.