草本:一种深度学习工具,用于分类样本图像
Fabio Andrés Ávila1,2, John Y Park1,3, Leanna Feder1
1New York Botanical Garden, New York City, NY, 10458, USA.
The New phytologist
|August 12, 2025
概括
草本馆样本图像对于植物多样性研究至关重要. 一个新的深度学习模型Herbariograph自动化了图像分类,提高了科学研究的数据可访问性.
科学领域:
- 植物学 植物学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 草药馆的标本代表了全球的植物多样性,是重要的研究资源.
- 虽然有数以百万计的草药馆标本存在,但只有大约12.8%的数字图像相关,限制了研究潜力.
- 样本图像的自动分类对于解锁它们所包含的丰富信息至关重要.
研究的目的:
- 开发一种自动化的方法来识别和分类草本馆样本的图像类型.
- 介绍Herbariograph,一个开放的数据集和深度学习模型用于图像分类在herbaria.
主要方法:
- 创建了Herbariograph数据集,包括17个类别,每个类别有12,288张图像,来自43个机构.
- 在图像识别的Herbariograph数据集上训练一个卷积神经网络 (CNN) 模型.
- 使用测试宏F1得分对模型性能进行评估.
主要成果:
- 草本学图数据集包含17个图像类别的多样化范围.
- 经过训练的CNN模型获得了0.9611.11的高测试宏F1得分.
- 该模型在自动识别各种草本馆图像类型方面表现出强大的能力.
结论:
- Herbariograph提供了一个有价值的资源,用于自动化处理草本体样本图像.
- 这种自动化有助于更快,更高效,更容易获得地为植物科学研究创建有针对性的数据集.
- 开发的深度学习模型增强了数字草本馆藏的科学发现实用性.
