本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法 (TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

Jun, 2024

我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。

Jul, 2023

用深度学习图像分割方法取代人工区域标记，提高石楠树脂化合物的手动提取过程，并报告初步分割结果和改善分割准确性的潜在方法。

Apr, 2024

该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取，取得了良好的分类和识别效果，将有望用于未来的分类学和自然历史收藏管理工具中。

Mar, 2018

利用 YOLOv8 模型，本研究提出一种深度学习方法，用于高效分析和定量木材细胞，实现了快速准确的纤维和导管分割，为实际应用提供了有效的解决方案。

Jan, 2024

一种基于木材环切片结构的完全自动化的木材髓心检测技术（APD）被引入。该方法利用 2D 结构张量估计环的局部方向，通过优化设计用于此问题的成本函数来找到髓心位置。我们还提出了一种变体（APD-PCL），利用平行坐标空间，以增强该方法在没有明确树环图案的情况下的有效性。此外，通过对基于深度学习的方法（APD-DL）进行 Kurdthongmee 以前工作的改进，训练了一个用于髓心检测的 YoloV8 神经网络，解决了同一问题。所有方法都在包括在不同条件下获取的图像（控制实验室环境、锯木厂和森林）以及包含各种树种（美国油松、道格拉斯树木、白冷杉和皂荚）的七个数据集上进行了测试。所有提出的方法都优于现有的最先进方法，并可用于基于 CPU 的实时应用。此外，我们提供了一个包含了裸子植物和被子植物物种图像的新颖数据集。数据集和源代码可以在此 http 网址上获取。

Apr, 2024

我们使用机器学习的原理开发了新的工具来解决物种复合体相关问题，通过将图像分类为已知种群或新类别，并使用深度神经网络成功进行物种分类和检测，以及应用这些方法于物种复合体和真实生物多样性的记录。

Nov, 2023

该研究比较了一种手工特征提取器和五种基于深度学习的迁移学习特征提取器，发现在乳腺癌数字病理图像分类中，预训练于 ImageNet 数据集上的深度学习网络比传统的手工特征提取方法表现更好，并通过随机森林算法将不同特征组合起来，将平均准确率提高至最高 93.00%。

Mar, 2018

本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

我们研究了应用多视图方法改进非成像表型预测的机器学习方法，通过解释性的多视图网络（EMV-Net）利用不同解剖视图提取特征来提高预测性能。

Jan, 2024