融合边缘特征卷积与粒子聚焦机制的数字全息粒子检测框架EFPFNet及其在复杂条件下的性能评估与实时部署
《IEEE Access》:Edge Feature and Particle Focusing Network for Holographic Particle Detection Under Diffraction Blur and Interference
【字体:
大
中
小
】
时间:2026年10月23日
来源:IEEE Access 4.2
编辑推荐:
当衍射模糊、低对比度以及密集重叠的粒子主导场景时,基于深度学习的数字全息粒子检测仍然是一项困难的任务。这些条件会使粒子边缘扩散,将背景条纹耦合到目标信号中,并导致离焦引起的信号损失,从而造成漏检以及小粒子定位精度不佳。我们提出了EFPFNet,一种边缘增强检测框架,它将两个模
当衍射模糊、低对比度以及密集重叠的粒子主导场景时,基于深度学习的数字全息粒子检测仍然是一项困难的任务。这些条件会使粒子边缘扩散,将背景条纹耦合到目标信号中,并导致离焦引起的信号损失,从而造成漏检以及小粒子定位精度不佳。我们提出了EFPFNet,一种边缘增强检测框架,它将两个模块整合到YOLOv12骨干网络中:边缘特征卷积(EFC),嵌入中心差分梯度响应以增强模糊边界;以及粒子聚焦机制(PFM),通过像素级奖惩门控来抑制干扰条纹。单类别基准数据集包含500幅模拟全息图(400幅训练图像和100幅验证图像,共计1,496个粒子)以及1,580幅采集的全息图(12,500个粒子)。在进行模型和配置选择之前,采集数据按采集组分为316幅真实验证图像(2,493个粒子)用于配置选择,以及1,264幅未经使用的真实测试图像(10,007个粒子)用于最终评估。在种子为0的测试运行中,EFPFNet取得了73.4%的mAP@50和29.3%的mAP@50-95,参数为3.73M,计算量为4.10 GFLOPs,而YOLOv12分别为66.5%和21.5%。在三次独立运行中,EFPFNet获得73.1±0.5%的mAP@50和29.0±0.4%的mAP@50-95,而YOLOv12分别为66.3±0.4%和21.2±0.3%。在IHPD-300(2,412个粒子)上的零样本评估结果为68.9%/25.6%的mAP@50/mAP@50-95,而一项包含2,100幅图像的控制条件研究表明,在浓度、材料、放大倍率、曝光及干扰变化方面均表现出一致的性能提升。我们将模型部署在NVIDIA Jetson Orin Nano边缘设备上,在416×416输入下测得52.3 FPS,确认了在所报告的Jetson配置下的实时推理能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号