一个用户友好的机器学习管道,用于Atriplex lentiformis中的自动叶片分割

科学领域:

• 植物科学 植物科学
• 计算生物学 计算生物学
• 农业技术 农业技术

背景情况:

• 自动叶片细分对于植物表型定型至关重要,但需要平衡准确性,可扩展性和可用性.
• 现有的深度学习模型可能无法针对专门的植物研究数据集进行优化.

研究的目的:

• 开发和评估一个端到端的深度学习管道,用于实际的植物表型.
• 将微调的Mask R-CNN模型与细分任何模型 (SAM) 等基础模型进行比较.
• 整合自动样本识别,并为研究人员创建一个用户友好的应用程序.

主要方法:

• 在176张植物图像上训练使用微调的Mask R-CNN细分模型开发了管道.
• 将Mask R-CNN的性能与Meta AI的SAM进行比较,使用接地SAM和只有叶子SAM的后处理.
• 集成QR码用于样本识别和基准解码库.
• 部署了管道作为一个Streamlit网络应用程序.

主要成果:

• 微调的Mask R-CNN实现了高子系数 (0.781),尽管训练数据集很小.
• 在专用数据集上进行转移学习,在针对特定领域任务的大型基础模型上表现优越.
• 在各种真实世界的成像条件下,QR码集成和解码证明是稳健的.

结论:

• 专门的,精心调整的深度学习模型可以在特定的科学领域 (如植物表型) 中超过一般基础模型.
• 开发的管道为植物研究提供了一个开源,可扩展和用户友好的框架.
• 解决实际部署挑战可以提高研究人员对自动化工具的可用性和采用性.