在阿育吠陀药用植物中的错误识别:卷积神经网络 (CNN) 克服识别混
Nalaka Lankasena1, Ruwani N Nugara2, Dhanesh Wisumperuma1
1Department of Information and Communication Technology, Faculty of Technology, University of Sri Jayewardenepura, Dampe-Pitipana Road, Homagama, 10200, Sri Lanka.
Computers in biology and medicine
|November 5, 2024
概括
这项研究开发了卷积神经网络 (CNN),以准确识别斯里兰卡的药用植物,大大减少了错误识别错误. 该技术实现了96.16%的准确性,提高了传统医学的安全性.
科学领域:
- 民族植物学 民族植物学
- 计算机科学 计算机科学
- 植物分类学 植物分类学
背景情况:
- 药用植物在斯里兰卡传统医学中至关重要,但文献对它们的识别有所不同.
- 手动植物识别由于形态相似性和缺乏专业知识,容易出现错误,有可能造成不安全的后果.
研究的目的:
- 创建斯里兰卡药用植物的综合清单.
- 识别经常被误认的形态相似植物.
- 开发一个卷积神经网络 (CNN) 模型,用于准确识别混的药用植物.
主要方法:
- 从植物学文献中编制了斯里兰卡1358种开花的药用植物的名单.
- 进行文献审查和调查以确定53种药用植物与63种其他物种混.
- 开发并测试了CNN模型,特别是EfficientNet-B0,用于使用增强数据集进行植物分类.
主要成果:
- 确定了53种药用植物,通常与63种其他物种被误认.
- 一个CNN模型 (EfficientNet-B0,Model 4) 在区分形态上相似的Bauhinia物种时实现了96.16%的验证准确性.
- 证明了CNN和EfficientNets在解决药用植物错误识别方面的有效性.
结论:
- 基于CNN的技术为准确识别形态上相似的药用植物提供了可靠的解决方案.
- 这种方法通过防止错误识别来提高传统医学的安全性和有效性.
- 该研究强调了人工智能在支持植物学研究和传统医疗保健实践方面的潜力.
