扫描仪视觉:基于扫描仪的医学重要节肢动物的图像采集,用于计算机视觉和深度学习模型的开发

科学领域:

• 昆虫学 昆虫学是一门学科.
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 计算机视觉为快速关节动物识别提供了潜力,但在成像大量标本的质量足以用于机器学习方面存在挑战.
• 使用立体显微镜或宏镜头的传统方法具有狭窄的视野,阻碍了高通量处理.
• 高质量的图像对于训练有效的机器学习模型来识别关节动物至关重要.

研究的目的:

• 介绍一种基于扫描仪的高通量方法,用于捕获节肢动物的高质量图像.
• 为了生成适合训练机器学习算法的大型标准化数据集.
• 为了证明该方法在各种节肢动物采样技术中的有效性.

主要方法:

• 使用充电合装置 (CCD) 平板扫描仪,对节肢动物成像进行了优化设置.
• 开发了将各种节肢动物样本放置在扫描仪床上的策略.
• 捕获的高分辨率图像平衡了处理时间和形态细节.

主要成果:

• 这种基于扫描仪的方法成功地从各种收集方法 (粘性陷,CDC光陷,BGS陷) 中成像了节肢动物.
• 实现了与立体显微镜相比的形态细节和分辨率.
• 在扫描图像上训练的深度学习模型的性能与在立体显微镜图像上训练的模型相似.

结论:

• 基于扫描仪的方法为数字化节肢动物标本提供了一个可行的,高通量替代方案.
• 这种方法产生了高质量的数据集,适合用于训练机器学习识别模型.
• 该方法的性能相当于传统的立体显微镜成像,促进大规模的生物多样性监测.