通过深度转移学习模型对Eimeria物种进行分类:对模型有效性的比较研究
Zeki Kucukkara1, Ilker Ali Ozkan1, Sakir Tasdemir1
1Selcuk University, Faculty of Technology, Department of Computer Engineering, Konya, Türkiye.
Veterinary parasitology
|January 24, 2025
概括
深度转移学习 (DTL) 模型准确地对中的Eimeria物种进行了分类. 该Xception模型实现了96.4%的准确性,为菌病控制提供了潜在的自动诊断工具.
科学领域:
- 兽医寄生虫学 兽医寄生虫学
- 计算生物学 计算生物学
- 动物科学动物科学
背景情况:
- 埃梅里亚会导致的菌病,导致严重的经济损失.
- 由于类似的卵囊形态和耗时的方法,传统的Eimeria物种识别具有挑战性.
- 准确的物种鉴定对于流行病学研究和有效的疾病控制至关重要.
研究的目的:
- 开发一种自动化系统,用于对子状Eimeria卵囊的数字图像进行分类.
- 使用深度转移学习 (DTL) 模型来准确识别中的Eimeria物种.
- 为此分类任务评估各种DTL模型的性能.
主要方法:
- 使用了17个预训练的深度转移学习 (DTL) 模型.
- 应用特征提取和微调方法用于图像分类.
- 来自七种致病性物种的Eimeria卵囊的分类数字微图图像.
主要成果:
- 该Xception DTL模型实现了最高的分类准确率96.4%.
- DTL模型显示了对分类Eimeria物种的巨大潜力.
- 开发的系统表现优于其他测试模型.
结论:
- 深度转移学习模型,特别是Xception,对于自动化Eimeria物种分类非常有效.
- 这种方法可以减少研究人员的工作量,并有助于开发菌病的诊断工具.
- DTL模型对寄生虫学和其他科学领域的实际应用有希望.
