1. 创新与工作主要内容
创新点总结
本研究开发了一种基于深度学习的自动分割方法,利用YOLOv8模型对显微镜图像中的水解纤维和导管进行快速准确的分割和表征。该方法能够处理高达32,640 x 25,920像素的图像,并实现了有效的细胞检测和分割,平均精度(mAP)达到了78%。为了评估模型的稳健性,研究者还检验了来自遗传改良树种(以较长纤维著称)的纤维,结果与之前的手动测量相当。此外,研究者还创建了一个用户友好的网络应用程序用于图像分析,并提供了可在Google Colab上使用的代码。这项工作通过利用YOLOv8的优势,提供了一种深度学习解决方案,使得木材细胞的高效量化和分析成为可能,适用于实际应用。
摘要部分翻译
目的:由不同类型的细胞组成,如纤维、管胞和导管,这些细胞定义了木材的特性。在显微镜图像中研究细胞的形状、大小和排列对于理解木材特性至关重要。通常,这涉及到将样品浸泡在溶液中以分离细胞,然后将它们铺展在载玻片上进行成像,使用显微镜覆盖广泛的区域,捕捉数千个细胞。然而,这些细胞在图像中经常聚集和重叠,使用标准图像处理方法进行分割既困难又耗时。
结果:在这项工作中,我们开发了一种自动深度学习分割方法,利用单阶段YOLOv8模型,用于快速准确地分割和表征显微镜图像中来自杨树的水解纤维和导管形态。该模型能够分析高达32,640 x 25,920像素的图像,并展示了有效的细胞检测和分割,实现了78%的mAP0.5−0.95。为了评估模型的稳健性,我们检查了来自遗传改良树种(以较长纤维著称)的纤维。结果与以前的手动测量相当。此外,我们创建了一个用户友好的网络应用程序用于图像分析,并提供了在Google Colab上使用的代码。
结论:通过利用YOLOv8的进步,这项工作提供了一种深度学习解决方案,可以高效地量化和分析适合实际应用的木材细胞。
2. 实验数据
实验数据集
- 收集了3850张水解图像,使用1300张显微镜图像进行注释,包括9617条纤维和519条导管。
- 在数据增强后,用于训练模型的图像数量增加到28358条纤维和1502条导管。
评价指标
- 使用了精度、召回率、F1分数和平均精度(mAP)作为模型性能的评价指标。
- mAP@0.5和mAP@0.5-0.95用于评估模型在不同IoU阈值下的性能。
效果的提升
- YOLOv8模型在纤维和导管检测和分割任务中表现出色,特别是在mAP@0.5-0.95指标上,YOLOv8x-seg模型表现最佳,达到了0.78的高分。
3. 信息补充
- 代码:项目中所有代码都可以在GitHub公共仓库。
- 数据集:所有原始图像数据可在Zenodo。
- 文章链接:arXiv上的论文可以通过https://arxiv.org/abs/2401.16937。
文章通过开发基于YOLOv8的深度学习模型,为木材细胞的自动检测和分割提供了一种创新的解决方案,并通过创建网络应用程序和提供代码,进一步推动了该领域的研究和实际应用的发展。
相关图片: