• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Applications in plant sciences. >Enabling automated herbarium sheet image post‐processing using neural network models for color reference chart detection
【24h】

Enabling automated herbarium sheet image post‐processing using neural network models for color reference chart detection

机译：使用神经网络模型启用自动化的植物标料张图像，用于颜色参考图表检测

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Premise Large‐scale efforts to digitize herbaria have resulted in more than 18 million publicly available Plantae images on sites such as iD igBio. The automation of image post‐processing will lead to time savings in the digitization of biological specimens, as well as improvements in data quality. Here, new and modified neural network methodologies were developed to automatically detect color reference charts (CRC ), enabling the future automation of various post‐processing tasks. Methods and Results We used 1000 herbarium specimen images from 52 herbaria to test our novel neural network model, ColorNet, which was developed to identify CRC s smaller than 4 cmsup2/sup, resulting in a 30% increase in accuracy over the performance of other state‐of‐the‐art models such as Faster R‐CNN . For larger CRC s, we propose modifications to Faster R‐CNN to increase inference speed. Conclusions Our proposed neural networks detect a range of CRC s, which may enable the automation of post‐processing tasks found in herbarium digitization workflows, such as image orientation or white balance correction.
机译：前提是数字化豆根植物的大规模努力导致了id Igbio等网站上的超过1800万个公开的Planeae图像。图像后处理的自动化将在生物标本的数字化中节省时间，以及数据质量的改进。这里，开发了新的和修改的神经网络方法以自动检测颜色参考图表（CRC），从而实现各种后处理任务的未来自动化。方法和结果我们使用了52个豆根曲征的1000个植物标目标本图像来测试我们的新型神经网络模型，CLORNET，用于识别小于4cm 2 的CRC S，从而提高了30％的准确性在其他最先进模型的性能上，例如更快的R-CNN。对于较大的CRC S，我们建议修改以更快的R-CNN增加推理速度。结论我们提出的神经网络检测到一系列CRC S，这可以使得能够在诸如图像方向或白平衡校正中的诸如图像方向或白平衡校正中的自动化处理任务的自动化。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号