在高分类学分辨率下使用剩余网络进行自动化地识别石

科学领域:

• 古生物学的古生物学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 石石是进化研究和页岩气勘探的重要化石.
• 传统的石墨矿石鉴定依赖于分类学家的视觉评估,这一过程受到复杂的形态学和保存问题的挑战.
• 人工智能 (AI) 为自动化和改进古生物学分类任务提供了潜在的解决方案.

研究的目的:

• 开发和评估一个深度学习模型,以准确识别石墨矿石.
• 为了比较人工智能模型的表现与人类分类学家在分类石灰岩属和物种的表现.
• 评估AI在加强古生物学研究和页岩气勘探方面的潜力.

主要方法:

• 构建了最大的专业单个生物图像数据集 (>34,000图像,113个物种) 与像素级注释.
• 深度学习网络的培训和评估,以进行石石的分类.
• 与专家分类学家的准确性和效率对比AI模型的性能.

主要成果:

• 深度学习模型在识别石墨石属方面达到86%的准确性,在物种识别方面达到81%.
• 与分类学家相比,基于人工智能的方法在准确性,速度和概括性方面表现出更好的表现.
• 该模型有效地识别了微小的形态细节,超过了人类的能力.

结论:

• 人工智能驱动的石灰岩识别可以达到分类学家级别的准确性,甚至更高.
• 这种人工智能方法可以集成到可访问的应用程序中,民主化了graptolite识别.
• 该技术有望显著提高页岩气勘探和古生物学研究的效率.