植物SAM:一个对象检测驱动的分段管道,用于草本馆标本.
Youcef Sklab1, Florian Castanet1, Hanane Ariouat1
1Institut de Recherche pour le Développement (IRD) Sorbonne Université, UMMISCO Paris France.
Applications in plant sciences
|December 31, 2025
概括
植物SAM,一个自动化细分管道,通过消除背景噪声来改善草本图像分类. 这种深度学习方法提高了植物特征识别的准确性.
科学领域:
- 植物学 植物学
- 计算机科学 计算机科学
- 数字成像技术的数字成像.
背景情况:
- 使用深度学习的Herbarium图像分类面临着由于异质背景的挑战.
- 背景噪音和文物可以误导模型并降低分类准确性.
研究的目的:
- 开发一个自动化细分管道,PlantSAM,用于增强草本图像分析.
- 为了提高基于深度学习的植物特征从草本馆图像的分类的准确性.
主要方法:
- 植物SAM集成了YOLOv10用于对象检测和分段任何模型 (SAM2) 进行细分.
- 无论是YOLOv10还是SAM2,都在草本馆图像上进行了微调,YOLOv10为SAM2提供了界限框提示.
- 使用交叉与联盟 (IoU) 和索伦森-迪斯系数来评估性能.
主要成果:
- 植物SAM实现了最先进的细分性能,IOU为0.94和Sørensen-Dice系数为0.97.
- 将细分图像集成到分类模型中,提高了五种植物特征的性能.
- 精度提升达到了4.36%,F1的得分提升达到了4.15%.
结论:
- 删除背景对于改进草本库图像分析至关重要.
- 自动化细分增强了深度学习模型专注于植物结构的能力,从而获得更好的分类结果.
