[論文レビュー] Instance camera focus prediction for crystal agglomeration classification

Xiaoyu Ji, Chenhao Zhang+4 more|arXiv (Cornell University)|Jan 13, 2026

Image Processing Techniques and Applications被引用数 0

ひとこと要約

本論文は、焦点内外を区別するインスタンスカメラ焦点予測（Yolo-focus）を導入し、Yoloベースのセグメンテーション（Yolo-segmentation）と組み合わせ、コントラスト焦点指標を用いてアンモニウムペルクロラートおよび砂糖結晶データセットにおける凝集分類をベースラインより改善する。

ABSTRACT

Agglomeration refers to the process of crystal clustering due to interparticle forces. Crystal agglomeration analysis from microscopic images is challenging due to the inherent limitations of two-dimensional imaging. Overlapping crystals may appear connected even when located at different depth layers. Because optical microscopes have a shallow depth of field, crystals that are in-focus and out-of-focus in the same image typically reside on different depth layers and do not constitute true agglomeration. To address this, we first quantified camera focus with an instance camera focus prediction network to predict 2 class focus level that aligns better with visual observations than traditional image processing focus measures. Then an instance segmentation model is combined with the predicted focus level for agglomeration classification. Our proposed method has a higher agglomeration classification and segmentation accuracy than the baseline models on ammonium perchlorate crystal and sugar crystal dataset.

研究の動機と目的

• 深度の浅さによる誤分類を抑制することで、微視結晶画像における正確な凝集分類を動機づける。
• ドメイン専門家が注釈を付けたインスタンス単位のカメラ焦点予測器を開発する。
• 焦点認識付きインスタンスセグメンテーションをコントラストベースの凝集指標と統合する。
• 分類とセグメンテーション精度の改善を実証するためにベースラインモデルと比較する。

提案手法

• Yolo-segmentation（Yolov12ベース）を用いて結晶のインスタンスマスクを生成する。
• 別のYolo-focusモデルを訓練し、各結晶インスタンスを焦点内/焦点外に分類し、インスタンスレベルのブラー増強を行う。
• コントラスト焦点を、インスタンスの焦点レベルと近傍の焦点レベルの差として定義し、最終指標としてContrast 2を採用する。
• 凝集可能性を、コントラスト焦点値から算出し、クラスター内の凝集結晶と非凝集結晶を区別する。
• 穴埋め補完と最大連結成分保持でセグメンテーションマスクを後処理し、囲い込み特性を強制する。
• Mask R-CNNおよびYolov12のベースラインと比較し、フォーカス駆動アプローチの影響を評価するアブレーション（contrast1対contrast2）を実施する。

実験結果

リサーチクエスチョン

• RQ1 単一ビュー微視画像において、インスタンスレベルのカメラ焦点予測は結晶凝集分類の精度を改善できるか。
• RQ2 焦点認識付きYoloベースのセグメンテーションとコントラスト焦点指標を統合することは、ベースラインのセグメンテーション/分類モデルを上回るか。
• RQ3 提案する二つのコントラスト焦点測定は、凝集分類とセグメンテーション性能にどのような影響を与えるか。
• RQ4 提案手法は、異なる結晶データセット（硝酸アンモニウムペルクロラート対糖結晶）でどのように性能するか。

主な発見

• 提案手法は、二つの結晶データセットに対して、ベースラインモデルより高い凝集分類およびセグメンテーション精度を達成する。
• Contrast 2ベースのコントラスト焦点は、最終手法においてContrast 1より良い性能を示す。
• データセット1では、最終手法（Contrast 2使用）が ACC 85.503%、F1 80.777%、IoU 66.407%、AP 79.677%、Recall 82.266%を達成。
• データセット2では、最終手法は ACC 68.310%（ベースラインの53–54%と比較）。
• Yolo-focusモデルは、凝集を評価する際に従来の焦点指標（ラプラシアン、ブレンナー、リブラー）よりもインスタンスレベルの焦点分布をより良く分離できる。