ディープラーニングを用いた複雑な背景を持つ葉のセグメンテーションと分類

植物画像における葉のセグメンテーションと分類は大きな課題であり、特に複雑な背景を持つ画像で複数の葉が重なっている場合には難易度が増します。本論文では、ディープラーニングを使用して複雑な背景を持つ葉の画像のセグメンテーションと分類について研究します。まず、複雑な背景を持つ2500枚以上の葉の画像を収集し、ターゲットピクセルと背景ピクセルで人工的にラベル付けを行いました。それらのうち2000枚をMask Region-based Convolutional Neural Network（Mask R-CNN）に入力して、葉のセグメンテーションモデルをトレーニングします。次に、15種の1500枚以上のトレーニング画像を含むトレーニングセットを、16層の非常に深い畳み込みネットワーク（VGG16）に入力して、葉の分類モデルをトレーニングします。これらの手法の最良のハイパーパラメータは、様々なパラメータの組み合わせを比較することで見つけられました。結果は、Mask R-CNNを使用した80枚のテスト画像の平均誤分類率（ME）が1.15%であることを示しています。VGG16を使用した150枚のテスト画像の葉の分類における平均精度値は91.5%に達しています。これは、これらの手法が複雑な背景を持つ葉の画像を効果的にセグメント化し、分類するために使用できることを示しています。この研究は、表現型分析や植物の自動分類に対する参考となる可能性があります。