针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottlenec...针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottleneck模块,以增强图像特征提取能力。从网络的浅层特征中引出一个小目标检测头,以增强算法在训练过程中对小菌落的注意力。分别在标注微生物自动识别数据集(annotated germs for automated recognition,AGAR)和真实菌落计数场景下对INC4-YOLO进行计数性能测试。实验结果表明,在AGAR测试集中,提出的算法在小菌落的平均百分比绝对值计数误差(mean absolute percentage error,MAPE)比其他先进目标检测算法降低了2%;真实菌落计数场景下,INC4-YOLO的MAPE相比YOLOv5降低了7%,表明该算法可帮助菌落计数设备实现精准计数。展开更多
文摘针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottleneck模块,以增强图像特征提取能力。从网络的浅层特征中引出一个小目标检测头,以增强算法在训练过程中对小菌落的注意力。分别在标注微生物自动识别数据集(annotated germs for automated recognition,AGAR)和真实菌落计数场景下对INC4-YOLO进行计数性能测试。实验结果表明,在AGAR测试集中,提出的算法在小菌落的平均百分比绝对值计数误差(mean absolute percentage error,MAPE)比其他先进目标检测算法降低了2%;真实菌落计数场景下,INC4-YOLO的MAPE相比YOLOv5降低了7%,表明该算法可帮助菌落计数设备实现精准计数。
