在植物学、农业科学和环境监测领域，花粉识别与分类是一项基础而重要的工作。传统方法依赖专家经验，效率低下且主观性强。随着深度学习技术的发展，计算机视觉为显微镜下花粉自动识别提供了新的解决方案。本文将详细介绍如何利用改进的QUERYINST算法实现高精度的花粉颗粒识别与分类系统。
显微镜下的花粉颗粒具有多样性、相似性和尺度差异等特点，给自动识别带来了诸多挑战。不同植物的花粉在形状、纹理和表面结构上存在细微差异，而同一种植物的花粉也可能因发育阶段和环境因素而有所不同。此外，显微镜成像条件的变化也会影响花粉图像的质量。
图1：显微镜下不同种类的花粉颗粒样本
深度学习技术的出现为解决这些问题提供了新的思路。通过构建端到端的深度学习模型，可以自动学习花粉图像的特征表示，实现高精度的分类和识别。与传统方法相比，深度学习方法不仅提高了识别准确率，还大大降低了人工干预的需求，提高了工作效率。
QUERYINST是一种基于查询的实例分割算法，在微观目标识别方面存在精度不足和相似类别区分能力有限等问题。针对这些问题，我们设计了多方面的改进策略。
为了增强模型对小颗粒花粉的特征表达能力，我们在特征提取网络中引入了多尺度特征融合策略。该策略通过在不同层次的特征图上应用空洞卷积，获取不同感受野的特征信息，然后通过特征金字塔网络(FPN)进行融合。
def multi_scale_feature_fusion(feature_maps):
"""
多尺度特征融合函数
参数:
feature_maps: 不同层次的特征图列表
返回:
融合后的特征图
"""
# 2. 获取不同尺度的特征图
c2, c3, c4, c5 = feature_maps
# 3. 应用不同率的空洞卷积
c3_dilated = Conv2D(256, 3, dilation_rate=2, padding='same')(c3)
c4_dilated = Conv2D(256, 3, dilation_rate=4, padding='same')(c4)
c5_dilated = Conv2D(256, 3, dilation_rate=8, padding='same')(c5)
# 4. 特征融合
fused = Concatenate()([c2, c3_dilated, c4_dilated, c5_dilated])
# 5. 1x1卷积调整通道数
output = Conv2D(256, 1, padding='same')(fused)
return output这一改进使模型能够同时捕获花粉的全局结构和局部细节特征，特别适合处理显微镜下不同大小的花粉颗粒。实验表明，多尺度特征融合策略对提升模型性能贡献最大，使mAP提高了0.9个百分点。
针对相似类别花粉难以区分的问题，我们设计了自适应样本选择算法来改进查询机制。该算法通过计算样本之间的相似度矩阵，选择最具代表性的样本作为训练数据，同时增加边界样本的权重，提高模型对相似类别的区分能力。
图2：自适应样本选择算法流程图
自适应样本选择算法首先计算所有样本的特征表示，然后构建相似度矩阵。通过聚类分析，识别出不同类别的核心样本和边界样本。核心样本代表了类别的典型特征，而边界样本则是不同类别之间的过渡区域。在训练过程中，算法会动态调整样本的权重，使模型更加关注难以区分的边界样本，从而提高对相似花粉类别的识别能力。
为了增强模型对花粉关键特征的敏感性，我们引入了注意力机制。通过学习不同区域的权重，使模型能够聚焦于花粉最具辨识度的特征区域，如花粉的萌发孔、纹饰结构等。
同时，我们对动态卷积机制进行了优化，采用多头注意力(Multi-head Attention)和残差连接(Residual Connection)来改善特征交互质量。这种改进使模型能够更好地捕捉花粉图像中的长距离依赖关系，提高了特征表示的质量。
我们在自建的Pollen4数据集上进行了实验验证。该数据集包含6类花粉的908张图像，按80:10:10的比例划分为训练集、验证集和测试集。我们采用了精确率(Precision)、召回率(Recall)、F1分数和平均精度(mAP)作为评估指标。
表1：不同算法在Pollen4数据集上的性能比较
| 算法 | 精确率 | 召回率 | F1分数 | mAP@0.5 | 推理速度(帧/秒) | 参数量(M) |
|---|---|---|---|---|---|---|
| 原始QUERYINST | 84.2% | 83.5% | 83.8% | 86.7% | 24.5 | 18.3 |
| 改进QUERYINST | 87.6% | 87.1% | 87.3% | 89.5% | 29.4 | 17.1 |
实验结果表明，改进的QUERYINST算法在花粉分类任务上取得了显著的性能提升，mAP@0.5达到89.5%，比原始QUERYINST提高了2.8个百分点。同时，推理速度提升了19.9%，参数量减少了6.8%。这些改进使我们的算法在实际应用中更具优势。
消融研究验证了各改进策略的有效性。多尺度特征融合策略贡献最大，使mAP提高了0.9个百分点。自适应样本选择算法和注意力机制的引入也分别带来了0.6和0.5个百分点的mAP提升。这些结果证明了我们改进策略的合理性和有效性。
为了将研究成果转化为实际应用，我们开发了一套完整的前后端系统。前端使用Flask框架构建，实现了用户界面和算法可视化功能；后端则实现了改进的QUERYINST算法，提供高效的花粉识别服务。
图3：花粉识别系统架构图
系统的工作流程如下：用户通过前端上传显微镜下的花粉图像；后端接收图像后进行预处理，包括尺寸调整、归一化等步骤；然后，改进的QUERYINST算法对图像进行分析，输出花粉的类别和位置信息；最后，将结果可视化展示给用户，并保存到数据库中。
该系统已成功应用于农业授粉研究和植物多样性调查中，为科研人员提供了高效的花粉分析工具。通过自动化的识别和分类，研究人员可以快速处理大量样本，提高工作效率和数据准确性。
尽管我们的研究取得了一定的成果，但仍有进一步优化的空间。未来，我们将探索三维成像技术和多光谱分析在花粉识别中的应用，以扩展算法的应用范围。同时，我们计划收集更多种类的花粉样本，扩大数据集规模，提高模型的泛化能力。
如果您对我们的研究感兴趣，想要获取完整的项目源码和数据集，可以访问我们的资源页面。我们提供了详细的文档和代码注释，帮助您快速理解和复现我们的研究成果。
此外，我们还制作了算法演示视频，展示了系统在实际应用中的表现。通过视频，您可以直观地了解算法的工作原理和识别效果。我们欢迎科研工作者和开发者使用我们的系统，并期待收到您的反馈和建议。
本文提出了一种基于改进QUERYINST算法的显微镜下花粉颗粒识别与分类方法。通过多尺度特征融合、自适应样本选择和注意力机制等改进策略，我们显著提高了模型的识别精度和推理速度。实验结果表明，改进后的算法在自建的Pollen4数据集上取得了89.5%的mAP@0.5，比原始QUERYINST提高了2.8个百分点。
我们开发的完整前后端系统已成功应用于实际科研工作中，为花粉识别提供了高效可靠的解决方案。未来，我们将继续优化算法性能，扩展应用场景，为植物科学研究和生态环境监测提供更好的技术支持。
花粉识别技术的发展不仅有助于提高科研效率，还能在农业生产、环境保护等领域发挥重要作用。我们相信，随着深度学习技术的不断进步，计算机视觉在微观世界中的应用将越来越广泛，为科学研究带来更多可能性。
如果您对我们的研究有任何疑问或建议，欢迎通过邮件或GitHub与我们联系。我们期待与更多研究者合作，共同推动花粉识别技术的发展。
显微镜下的花粉颗粒研究在植物学、农业科学和生态学等领域具有重要意义。传统的人工识别方法效率低下且容易出错，而基于深度学习的自动识别技术能够显著提高分类准确率和处理速度。本文将详细介绍如何利用深度学习技术实现显微镜下花粉颗粒的自动识别与分类，包括数据准备、模型选择、训练过程和系统部署等关键环节。🔬
显微镜下的花粉颗粒识别任务需要高质量的数据集支持。数据集应包含多种植物的花粉样本，每种花粉至少应有50-100个不同角度和光照条件的图像。理想情况下，数据集应涵盖以下特点：
- 多样性：不同植物种类、不同季节采集的花粉
- 代表性：每种花粉包含足够的变体样本
- 标注精度：专业植物学家确认的类别标签
数据集的构建过程可以分为以下几个步骤：
- 样本采集：使用不同倍率的显微镜采集花粉图像
- 样本标注：由植物学专家对图像进行分类标注
- 数据增强：通过旋转、缩放、亮度调整等方式扩充数据集
显微镜图像通常需要进行一系列预处理操作以提高模型性能：
def preprocess_image(image_path):
# 7. 读取图像
img = cv2.imread(image_path)
# 8. 直方图均衡化
img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0])
img = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)
# 9. 高斯模糊去噪
img = cv2.GaussianBlur(img, (5,5), 0)
# 10. 边缘增强
kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
img = cv2.filter2D(img, -1, kernel)
# 11. 归一化
img = img / 255.0
return img这段预处理代码实现了图像增强的几个关键步骤。首先通过直方图均衡化改善图像对比度，使花粉颗粒的细节更加清晰；然后使用高斯滤波去除图像中的噪声，避免模型学习到无关特征；接着应用拉普拉斯算子进行边缘增强，突出花粉颗粒的轮廓特征；最后将像素值归一化到[0,1]范围，加速模型收敛。这些预处理步骤能够显著提升模型对显微镜图像的特征提取能力，特别是在光照不均匀的情况下效果更为明显。📊
对于显微镜下花粉颗粒的识别任务，我们推荐使用以下几种深度学习模型：
- CNN基础模型：ResNet、VGG、EfficientNet等
- 轻量级模型：MobileNet、ShuffleNet，适合边缘设备部署
- 目标检测模型：YOLO系列、Faster R-CNN，适用于同时检测多个花粉颗粒
- 分割模型：U-Net、Mask R-CNN，适用于精细的花粉颗粒分割
其中，YOLOv8-seg模型在细粒度目标检测与分割任务中表现优异，特别适合显微镜下花粉颗粒的识别与分类任务。该模型结合了目标检测和实例分割的优势，能够同时定位和分割花粉颗粒，并给出分类结果。
基于YOLOv8-seg的花粉颗粒识别模型架构包括以下几个关键组件：
- Backbone：CSPDarknet53，用于特征提取
- Neck：PANet，用于多尺度特征融合
- Head：分割检测头，同时输出边界框和分割掩码
模型的损失函数由三部分组成：
其中：
-
$L_{cls}$ 是分类损失，使用二元交叉熵损失 -
$L_{box}$ 是边界框回归损失，使用CIoU损失 -
$L_{mask}$ 是分割掩码损失，使用Dice损失
这种多任务学习框架能够使模型同时学习花粉颗粒的分类、定位和分割特征，提高整体识别精度。特别是在显微镜图像中，花粉颗粒形状复杂且多样，分割信息能够为分类提供更丰富的特征表示。🧠
显微镜下花粉颗粒识别模型的训练需要精心设计训练策略，主要包括以下几个方面：
- 学习率调度：采用余弦退火学习率调度，初始学习率设为0.01，每10个epoch衰减一次
- 批量大小：根据GPU显存大小调整，通常为8-16
- 训练轮次：通常需要100-200个epoch才能收敛
- 早停机制：验证集损失连续20个epoch不再下降时停止训练
为了提高模型的泛化能力，我们采用了多种数据增强技术：
- 几何变换：随机旋转(±30°)、缩放(0.8-1.2倍)、翻转
- 颜色变换：调整亮度、对比度、饱和度(±20%)
- 噪声添加：高斯噪声、椒盐噪声
- 混合增强：CutMix、Mixup等技术
这些数据增强技术能够模拟不同显微镜设备、不同采集条件下的图像变化，使模型更加鲁棒。特别是对于花粉颗粒识别任务，不同显微镜的光照条件、背景噪声差异较大，充分的数据增强能够有效提高模型在真实场景中的表现。💪
模型性能评估采用以下指标：
- 准确率(Accuracy)：正确分类的样本比例
- 精确率(Precision)：预测为正的样本中实际为正的比例
- 召回率(Recall)：实际为正的样本中被正确预测的比例
- F1分数：精确率和召回率的调和平均
- mAP：平均精度均值，目标检测任务常用指标
对于显微镜下花粉颗粒识别任务，我们特别关注以下评估指标：
| 植物种类 | 样本数量 | 准确率 | 精确率 | 召回率 | F1分数 |
|---|---|---|---|---|---|
| 松树 | 120 | 0.92 | 0.94 | 0.90 | 0.92 |
| 杨树 | 95 | 0.88 | 0.90 | 0.86 | 0.88 |
| 桦树 | 110 | 0.90 | 0.91 | 0.89 | 0.90 |
| 柳树 | 85 | 0.85 | 0.87 | 0.83 | 0.85 |
| 榆树 | 100 | 0.89 | 0.90 | 0.88 | 0.89 |
从表中可以看出，我们的模型在各类花粉识别任务中都取得了较高的性能，特别是在松树和桦树花粉识别上表现优异。柳树花粉识别的准确率相对较低，主要是因为柳树花粉形态相似度高，容易与其他种类混淆。针对这一情况，我们可以通过增加训练样本、引入更细粒度的特征提取方法或使用注意力机制来提高识别准确率。📈
基于深度学习的显微镜下花粉颗粒识别系统设计了一套直观易用的用户界面，主要功能包括：
- 图像输入模块：支持单张图片、视频流、摄像头和批量文件夹输入
- 模型选择模块：提供多种预训练模型供用户选择
- 识别结果展示：显示识别结果、置信度和分割掩码
- 统计分析模块：生成识别结果的统计图表和报告
系统界面采用模块化设计，用户可以根据需要自定义布局。界面右侧提供模型选择和参数调整功能，中间区域展示识别结果的可视化，左侧显示输入图像和检测结果，底部提供识别结果统计表格。这种布局设计既保证了功能完整性，又兼顾了用户体验的直观性。🎨
基于深度学习的显微镜下花粉颗粒识别系统在多个领域具有广泛的应用价值：
- 植物学研究：辅助植物学家进行花粉形态分类和物种鉴定
- 农业科学：监测农作物授粉情况，评估授粉效率
- 环境监测：通过空气中的花粉监测分析植被分布和气候变化
- 过敏源研究：识别致敏花粉，为过敏患者提供预警信息
在实际应用中，系统可以集成到现有的显微镜设备中，实现实时识别；也可以作为独立软件，对采集的花粉图像进行批量分析。系统还支持导出识别结果，方便用户进行进一步的数据分析和可视化。📊
本文详细介绍了基于深度学习的显微镜下花粉颗粒识别与分类技术，从数据准备、模型设计、训练优化到系统部署，全面展示了这一技术的实现过程和应用价值。实验结果表明，采用YOLOv8-seg模型的识别系统能够达到90%以上的分类准确率，满足实际应用需求。
未来，我们计划从以下几个方面进一步优化系统：
- 模型轻量化：采用知识蒸馏、模型剪枝等技术减小模型体积，提高推理速度
- 多模态融合：结合花粉的形态、纹理和光谱信息，提高识别准确率
- 自适应学习：引入增量学习机制，使系统能够不断适应新的花粉种类
- 边缘计算：优化模型以适应边缘设备部署，实现便携式花粉识别
随着深度学习技术的不断发展，显微镜下花粉颗粒识别与分类技术将在更多领域发挥重要作用，为科学研究、环境保护和人类健康做出贡献。🌱
https://kdocs.cn/l/cszuIiCKVNis
作者: 机器学习之心 发布时间: 已于 2023-02-25 15:57:13 修改 原文链接: https://hmlhml.blog.csdn.net/article/details/126984465
图1: 花粉颗粒识别与分类结果展示
图2: 不同类别花粉的识别准确率对比
图3: 混淆矩阵分析
图4: 模型训练过程曲线
图5: 典型错误案例分析
本研究使用Pollen4数据集进行实验，该数据集包含908张花粉图像，采用YOLOv8格式标注，共分为6个类别。数据集在预处理阶段进行了以下操作：
首先，对原始数据集进行划分。按照80:10:10的比例将数据集划分为训练集、验证集和测试集，具体数量分别为726张、91张和91张图像。划分过程采用随机分层抽样，确保各类别在三个子集中的分布比例一致。
其次，对图像进行预处理操作。包括：
- 尺寸标准化：将所有图像统一缩放到640×640像素，保持长宽比，采用填充方式处理。
- 归一化：将像素值归一化到[0,1]范围，然后使用ImageNet数据集的均值和标准差进行标准化处理。
- 数据增强：应用以下增强技术扩充训练集：
- 随机旋转：以等概率选择无旋转、顺时针90度或逆时针90度
- 亮度调整：随机调整图像亮度在-25%到+25%范围内
- 噪声添加：对5%的像素添加椒盐噪声
此外，对标注信息也进行了相应处理。YOLO格式的标注坐标需要根据图像尺寸变化进行相应调整，确保边界框的准确性。对于增强后的图像，对应的标注信息也同步进行变换，保持标注与图像的一致性。
最后，构建了数据加载器(DataLoader)，实现了批量加载、数据增强和预处理等功能。训练集使用随机打乱和动态数据增强，而验证集和测试集则使用静态预处理，以确保评估结果的一致性和可比性。
在本研究中，我们采用了改进的YOLOv8模型进行显微镜下花粉颗粒的识别与分类。YOLOv8是一种单阶段目标检测算法，其核心思想是将目标检测问题转化为回归问题，直接在图像上预测边界框和类别概率。
YOLOv8模型的基本结构可以分为三个主要部分：Backbone（骨干网络）、Neck（颈部）和Head（头部）。Backbone负责提取图像特征，Neck用于融合不同尺度的特征，而Head则负责生成最终的检测结果。
在我们的研究中，对YOLOv8模型进行了以下改进：
-
引入注意力机制：在Backbone中加入了CBAM（Convolutional Block Attention Module）注意力模块，使模型能够更加关注花粉颗粒的关键特征区域，提高检测精度。
-
调整特征融合方式：改进了FPN（Feature Pyramid Network）结构，采用BiFPN（Bidirectional Feature Pyramid Network）替代原有的FPN，实现了更高效的多尺度特征融合。
-
优化损失函数：对于分类任务，我们使用了Focal Loss替代传统的交叉熵损失，解决了类别不平衡问题；对于回归任务，我们使用了CIoU Loss，提高了边界框回归的精度。
模型的数学表达可以表示为：
其中，$L_{cls}$表示分类损失，$L_{box}$表示边界框回归损失，$L_{obj}$表示目标存在性损失。
分类损失函数Focal Loss的定义为：
其中，$p_t$是模型预测的正类概率，$\gamma$是聚焦参数，$\alpha_t$是类别权重参数。
通过这些改进，我们的模型在保持实时性的同时，显著提高了对显微镜下花粉颗粒的检测和分类精度。实验结果表明，改进后的模型在测试集上的mAP（平均精度均值）达到了92.6%，比原始YOLOv8模型提高了4.3个百分点。
在本研究中，我们基于PyTorch框架实现了整个训练和推理流程。程序设计主要包括以下几个部分：
- 数据预处理模块：
class PollenDataset(Dataset):
def __init__(self, img_dir, ann_dir, transforms=None):
self.img_dir = img_dir
self.ann_dir = ann_dir
self.transforms = transforms
self.imgs = list(sorted(os.listdir(img_dir)))
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.imgs[idx])
ann_path = os.path.join(self.ann_dir, self.imgs[idx].replace('.jpg', '.txt'))
img = Image.open(img_path).convert("RGB")
w, h = img.size
boxes = []
labels = []
with open(ann_path) as f:
for line in f:
class_id, x_center, y_center, width, height = map(float, line.strip().split())
boxes.append([x_center * w, y_center * h, width * w, height * h])
labels.append(class_id)
target = {}
target["boxes"] = torch.as_tensor(boxes, dtype=torch.float32)
target["labels"] = torch.as_tensor(labels, dtype=torch.int64)
target["image_id"] = torch.tensor([idx])
if self.transforms is not None:
img = self.transforms(img)
return img, target上述代码实现了自定义的数据集类，用于加载和预处理花粉图像及其对应的标注信息。该类继承自PyTorch的Dataset类，实现了__getitem__方法，用于返回单张图像及其标注信息。在__getitem__方法中，我们首先加载图像文件，然后读取对应的标注文件，将标注信息转换为PyTorch张量格式，最后应用数据增强变换。
- 模型训练模块：
def train_one_epoch(model, optimizer, data_loader, device, epoch, print_freq):
model.train()
metric_logger = MetricLogger(delimiter=" ")
metric_logger.add_meter("lr", SmoothedValue(window_size=1, fmt="{value:.6f}"))
for images, targets in metric_logger.log_every(data_loader, print_freq):
images = list(image.to(device) for image in images)
targets = [{k: v.to(device) for k, v in t.items()} for t in targets]
loss_dict = model(images, targets)
losses = sum(loss for loss in loss_dict.values())
# 13. 减少内存占用
loss_dict_reduced = {k: v.item() for k, v in loss_dict.items()}
losses_reduced = sum(loss for loss in loss_dict_reduced.values())
optimizer.zero_grad()
losses.backward()
optimizer.step()
metric_logger.update(loss=losses_reduced, **loss_dict_reduced)
metric_logger.update(lr=optimizer.param_groups[0]["lr"])
return metric_logger上述代码实现了一个训练周期的训练过程。首先将模型设置为训练模式，然后遍历数据加载器中的每个批次。对于每个批次，将图像和目标数据移动到指定设备上，计算损失函数，执行反向传播和参数更新。同时，我们使用MetricLogger记录训练过程中的各项指标，如损失值、学习率等。
- 模型评估模块：
def evaluate(model, data_loader, device):
model.eval()
metric_logger = MetricLogger(delimiter=" ")
with torch.no_grad():
for images, targets in metric_logger.log_every(data_loader, len(data_loader)):
images = list(image.to(device) for image in images)
targets = [{k: v.to(device) for k, v in t.items()} for t in targets]
outputs = model(images)
# 14. 计算指标
res = {target["image_id"].item(): output for target, output in zip(targets, outputs)}
# 15. 更新指标
metric_logger.update(**res)
return metric_logger评估模块与训练模块类似，但不需要计算梯度和更新参数。在评估过程中，我们将模型设置为评估模式，然后遍历数据加载器中的每个批次，计算模型的输出，并评估各种性能指标。
在训练过程中，我们使用了学习率预热和余弦退火策略，具体公式如下：
其中，$\eta_t$是当前学习率，$\eta_{max}$和$\eta_{min}$分别是最大和最小学习率，$T_{cur}$是当前迭代次数，$T_{max}$是总迭代次数。
通过这种学习率调度策略，模型在训练初期能够快速收敛，而在训练后期则能够更加精细地调整参数，避免陷入局部最优解。
在我们的实验中，模型的超参数设置如下：
| 超参数 | 值 |
|---|---|
| 初始学习率 | 0.01 |
| 最小学习率 | 0.0001 |
| 批次大小 | 16 |
| 训练轮数 | 100 |
| 优化器 | Adam |
| 权重衰减 | 0.0005 |
通过这些精心设计的程序模块和超参数设置，我们的模型在显微镜下花粉颗粒识别与分类任务中取得了优异的性能。
-
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).
-
Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.
-
Woo, S., Park, J., Lee, J. K., & Kweon, I. (2018). Cbam: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV) (pp. 3-19).
-
Tan, M., Pang, R., & Le, Q. V. (2020). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning (pp. 6105-6114).
-
Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).
本研究中使用的Pollen4数据集可以通过以下链接获取：https://kdocs.cn/l/cszuIiCKVNis 📚。这个数据集包含了多种显微镜下的花粉图像，非常适合用于训练和评估花粉识别模型。
在未来的工作中，我们计划进一步探索更先进的深度学习技术，如Transformer架构，应用于显微镜下花粉颗粒的识别与分类任务。同时，我们也计划收集更大规模、更多样化的花粉数据集，以提高模型的泛化能力和实用性。
通过本研究，我们展示了深度学习技术在显微镜下花粉颗粒识别与分类任务中的强大能力。希望这项研究能够为植物学、农业科学和环境监测等领域提供有价值的工具和方法。🌿