金针菇生长期颜色模式分析及深度学习数据集优化方法

《Scientific Reports》：Analysis of color patterns during the growth period of pleurotus citrinopileatus and optimization method for deep learning dataset

　　

摘要

由于深度学习依赖于高质量的数据集，且Pleurotus citrinopileatus成熟度数据集在生育期划分和图像标注方面存在不确定性，本研究旨在利用Pleurotus citrinopileatus的颜色变化规律来提高数据集标注的准确性。首先，对生育期进行了划分并分析了颜色特征。具体而言，考虑到栽培环境的影响，利用不同环境条件下的数据构建了Pleurotus citrinopileatus颜色特征数据库。其次，将Pleurotus citrinopileatus子实体的生长过程分为四个阶段：原基期、幼菇期、形成期和成熟期。再次，通过HSV颜色空间分析发现，其主色调会呈现周期性变化。实验数据显示，当主色调超过28°时，植株进入下一个生长阶段；之后又降至23°，随后再次上升，这一规律验证了从原基期到成熟期的四个生育期划分是合理的。接着，进行了特征提取和模型构建工作，通过计算每个样本的H、S、V通道的均值、方差和峰值等统计指标，基于颜色特征建立了梯度提升树（GBT）分类模型。根据模型验证结果调整专家标注后，生成了新的数据集。最后，对数据集的质量进行了实验评估，并验证了性能的提升效果。使用YOLO12模型对Pleurotus citrinopileatus的图像特征进行学习，分别用原始数据集和改进后的数据集进行了训练和测试。改进后的数据集的mAP值为0.935@0.5，而原始数据集为0.91@0.5，提升了2.5个百分点。在417张测试图像中，改进后数据集的准确率为94.5%，而原始数据集的准确率为92%，同样提升了2.5个百分点。综上所述，分析Pleurotus citrinopileatus的颜色特征有助于合理划分成熟度数据集，从而提升基于深度学习的Pleurotus citrinopileatus成熟度识别模型的性能。