从无机材料的学习转移到象牙检测
Agil Aghasanli1, Plamen Angelov2, Dmitry Kangin2
1School of Computing and Communications, Lancaster University, Bailrigg, Lancaster, Lancashire, LA1 4YW, UK. a.aghasanli1@lancaster.ac.uk.
Scientific reports
|May 3, 2025
概括
这项研究使用拉曼光谱和深度神经网络自动识别象牙,达到高精度. 从矿物数据转移学习可以有效地对生物象牙进行分类,为当前方法提供了快速,非破坏性的替代方案.
科学领域:
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
- 计算生物学 计算生物学
背景情况:
- 目前的象牙识别方法 (DNA,放射性碳测年) 昂贵且具有破坏性.
- 拉曼光谱为区分象牙类型提供了一个非破坏性的替代方案.
- 之前的研究由于样本规模较小和缺乏先进的机器学习应用而面临局限性.
研究的目的:
- 开发一种使用拉曼光谱和深度神经网络 (DNN) 来识别象牙的自动化方法.
- 探索从无机矿物数据集到生物象牙分类的转移学习 (TL) 的应用.
- 建立一个快速,经济有效,非破坏性的象牙分析技术.
主要方法:
- 使用深度神经网络 (DNN) 模型,这些模型在无机矿物光谱数据 (MLROD数据集) 上进行了预训练.
- 应用转移学习 (TL) 来调整从象牙样本中分类拉曼光谱数据的模型.
- 采用基于原型的模型进行决策洞察和识别未知的样本.
主要成果:
- 在分类来自不同大象物种的象牙方面取得了高精度 (高达99.7%).
- 使用在无机矿物质上预先训练的模型,没有对象牙特有的微调,证明了显著的准确性 (92%).
- 首次成功将机器学习模型从地质样本转移到生物样本.
结论:
- 机器学习和拉曼光谱学为象牙识别提供了高度准确和高效的方法.
- 转移学习有效地将无机材料的模型重新用于生物样本分析,减少数据需求.
- 拟议的方法为打击非法象牙贸易和帮助执法提供了一个新的,非破坏性的工具.
