[논문 리뷰] Instance camera focus prediction for crystal agglomeration classification

Xiaoyu Ji, Chenhao Zhang외 4명|arXiv (Cornell University)|2026. 01. 13.

Image Processing Techniques and Applications인용 수 0

한 줄 요약

논문은 인스턴스 카메라 포커스 예측(Yolo-focus)을 도입해 초점이 맞은 결정과 초점이 맞지 않는 결정을 구분하고, 이를 Yolo 기반 분할(Yolo-segmentation)과 결합하며 contrast focus 메트릭을 사용해 ammonium perchlorate 및 sugar crystal 데이터셋에서 기초 모델 대비 응집(classification) 향상을 보인다.

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.

연구 동기 및 목표

• 피사계 심도가 얕아 발생하는 깊이로 인한 오분류를 해결하여 현미경 결정 이미지에서 정확한 응집 분류를 촉진한다.
• 도메인 전문가가 주석한 인스턴스 단위 카메라 포커스 예측기를 개발한다.
• 포커스 인식을 반영한 인스턴스 분할을 contrast 기반 응집 메트릭과 통합한다.
• 분류 및 분할 정확도 향상을 입증하기 위해 베이스라인 모델과 비교한다.

제안 방법

• Yolo-segmentation (Yolov12 기반)을 사용해 결정의 인스턴스 마스크를 생성한다.
• 인스턴스 수준 블러 증강을 포함해 각 결정 인스턴스를 선명한/흐릿한으로 분류하기 위해 별도의 Yolo-focus 모델을 학습한다.
• contrast focus를 인스턴스의 포커스 레벨과 이웃 포커스 레벨의 차이로 정의하고; 최종 메트릭으로 Contrast 2를 채택한다.
• 클러스터 내에서 인접 결정의 contrast focus 값으로 응집 가능성을 계산해 응집된 결정과 비응집된 결정을 구분한다.
• 구멍 채움 및 가장 큰 연결 구성요소 보존으로 분할 마스크를 후처리해 인클로저(enclosure) 특성을 보장한다.
• Mask R-CNN 및 Yolov12 베이스라인과 비교하고, 포커스 주도 접근법의 영향을 평가하기 위해 contrast1 대 contrast2의 제거 실험을 수행한다.

실험 결과

연구 질문

• RQ1 단일 뷰 현미경 이미지에서 인스턴스 수준의 카메라 포커스 예측이 결정 응집 분류의 정확도를 향상시킬 수 있는가?
• RQ2 포커스 인식이 있는 Yolo 기반 분할과 contrast focus 메트릭을 통합하는 것이 베이스라인 분할/분류 모델보다 우수한가?
• RQ3 제안된 두 가지 contrast focus 측정치가 응집 분류 및 분할 성능에 미치는 효과는 무엇인가?
• RQ4 제안된 방법이 서로 다른 결정 데이터셋(ammonium perchlorate vs sugar crystals)에서 어떻게 작동하는가?

주요 결과

• 제안된 방법은 두 결정 데이터셋에서 베이스라인 모델보다 더 높은 응집 분류 및 분할 정확도를 달성한다.
• 최종 방법에서 Contrast 2 기반 contrast focus가 Contrast 1보다 더 나은 성능을 보인다.
• 데이터셋 1에서 최종 방법(Ours with Contrast 2)은 ACC 85.503%, F1 80.777%, IoU 66.407%, AP 79.677%, Recall 82.266%를 달성한다.
• 데이터셋 2에서 최종 방법은 ACC 68.310%를 달성한다(베이스라인은 53–54%).
• Yolo-focus 모델은 응집을 평가할 때 전통적 포커스 지표(Laplacian, Brenner, Reblur)보다 인스턴스 수준 포커스 분포를 더 잘 구분해낸다.