AI增强的光学与全息显微镜花粉识别用于兽医成像
计算机视觉与模式识别
2025-12-25 v1 机器学习
定量方法
机器学习
摘要
我们对常规光学和数字全息显微术（DIHM）图像样本载玻片上的全自动花粉识别进行了全面研究。在未重建的全息图像中识别花粉仍然具有挑战性，因为存在散斑噪声、双像伪影以及与亮场外观的显著差异。我们通过在一个由自动标注的光学图像和仿射对齐的DIHM图像组成的双模态数据集上训练YOLOv8s进行目标检测和MobileNetV3L进行分类，建立了性能基线。在光学数据上，检测mAP50达到91.3%，分类准确率达到97%，而在DIHM数据上，检测mAP50仅为8.15%，分类准确率为50%。将DIHM图像中花粉的边界框相对于对齐光学图像中的边界框进行扩展，检测mAP50达到13.3%，分类准确率达到54%。为改善DIHM图像中的目标检测，我们采用带谱归一化的Wasserstein GAN（WGAN-SN）生成合成DIHM图像，FID分数为58.246。将真实数据和合成数据按1.0:1.5的比例混合用于DIHM图像，将目标检测性能提升至15.4%。这些结果表明，基于GAN的数据增强可以缩小性能差距，使面向兽医成像的全自动DIHM工作流程向实际应用迈出了重要一步。
引用
@article{arxiv.2512.12101,
title = {AI-Augmented Pollen Recognition in Optical and Holographic Microscopy for Veterinary Imaging},
author = {Swarn S. Warshaneyan and Maksims Ivanovs and Blaž Cugmas and Inese Bērziņa and Laura Goldberga and Mindaugas Tamosiunas and Roberts Kadiķis},
journal= {arXiv preprint arXiv:2512.12101},
year = {2025}
}
备注
10 pages, 10 figures, 2 tables, 22 references. Journal submission undergoing peer review