Comparative analysis of automatic mask generation methods for agricultural seed instance segmentation

Özet

Tarımsal görüntü analizinde derin öğrenme modellerini eğitmek, yoğun piksel düzeyinde etiketli veri gerektirmektedir. Bezelye (Pisum sativum) tohumları gibi üst üste binen nesnelerin tek tek etiketlenmesi ise zaman ve emek kaybına yol açmaktadır. Bu çalışmada, alana özgü özelleştirme gerektirmeyen Cellpose, EfficientSAM, SAM2, StarDist ve FastSAM yöntemlerinin bezelye tohumu nesne bölütleme performansları karşılaştırılmıştır. Toplam 164 görüntülük veri setinin 100 tanesi elle etiketlenmiş, 20 görüntülük sabit test setinde yöntemlerin başarımı değerlendirilmiştir. Biyomedikal alan için geliştirilmiş olan Cellpose, üst üste binen tanelerde en yüksek genel performansı yakalamıştır (F1: 0,957, Duyarlılık: 0,973). EfficientSAM en yüksek ortalama IoU değerine (0,970) ulaşırken, SAM2 yüksek duyarlılık (0,965) ve düşük hassasiyet (0,815) sergilemiştir. StarDist şekil kısıtları sebebiyle zorlanmış (ortalama IoU: 0,866), FastSAM ise yoğun kümelerde taneleri kaçırarak düşük duyarlılıkta (0,725) kalmıştır. Ayrıca Cellpose ile otomatik etiketlenen verilerle eğitilen YOLO11m-seg modeli, elle etiketlenen verilerle eğitilen modele yakın sonuçlar sunmuştur (mAP50: 0,848'e karşılık 0,860).

Bu özet, makalenin özgün İngilizce abstract'ından yapay zekâ ile otomatik oluşturulmuştur. Özgün metin için makaleye bakınız.