MFDF-UNet:用于殖民地粘附图像细分的多尺度特征深度增强融合网络
Liu Hui1, Wang Zhiyi1, Li Xue2
1School of Information Science and Engineering, Dalian Polytechnic University, Dalian 116034, China.
Journal of microbiological methods
|June 26, 2025
概括
一个新的深度学习模型,MFDF-UNet,显著改善了对食品安全的殖民地粘附图像细分. 与现有方法相比,它实现了更高的准确性和平均交叉度 (mIoU),提高了食品质量评估.
科学领域:
- 计算机视觉 计算机视觉
- 食品科学 食品科学 食品科学
- 机器学习 机器学习
背景情况:
- 殖民地计数对于食品质量和安全性评估至关重要.
- 准确细分殖民地粘附图像对于精确的食品安全评估至关重要.
研究的目的:
- 引入一个新的深度学习网络,MFDF-UNet,用于高精度的殖民地粘附图像细分.
- 增强多尺度特征的提取,集成和转移,以提高细分精度.
主要方法:
- 开发了MFDF-UNet,其具有类似的融合碎形结构,用于递归层集成.
- 集成的深度增强连接 (DEC) 单元和渐进融合 (PF) 模块来积累详细的功能.
- 加强层间信息传输,以保持特征一致性和解决信息不平衡.
主要成果:
- 在基于AGAR的混合殖民地粘附数据集上,MFDF-UNet实现了77.95%的细分精度,97.55%的精度和57.94%的mIoU.
- 在准确性和简单性方面表现优于包括ResUNet在内的领先的深度学习方法.
- 尽管需要更多的参数和训练时间,但表现出卓越的性能.
结论:
- 在殖民地粘附图像细分方面,MFDF-UNet提供了显著的进展.
- 该模型的增强特征提取和融合能力导致食品安全应用的准确性和可靠性提高.
- 性能提升证明了计算成本的合理性,突出了其实际实施的潜力.
