为了自动识别从它们的子形态学的物种
Alix Milis1,2, Martin Hofmann3, Patrick Mäder3,4,5
1Institute of Botany, University of Liège, B22 Sart-Tilman, Liège B-4000, Belgium.
Annals of botany
|September 25, 2025
概括
人工智能使用子形态学准确识别物种. 然而,实质性的类型内变异需要具有多样化的种群和囊可靠的自动识别的培训模型.
科学领域:
- 植物学 植物学
- 计算生物学 计算生物学
- 纳税学是一种分类学.
背景情况:
- 子超结构是中未被充分利用的分类学特征.
- 自动化物种识别工具可以通过新的形态数据来增强.
- 人工智能 (AI) 提供了分析复杂子形态的潜力.
研究的目的:
- 评估基于人工智能的方法,使用形态学识别物种.
- 确定子数量,极性和种群和囊之间的变异对模型准确性的影响.
- 评估子特征对物种,种群和囊识别的诊断价值.
主要方法:
- 扫描电子显微镜 (SEM) 产生了来自十个物种的子子的图像.
- 卷积神经网络 (ResNeXt) 被训练来分类物种,种群和囊来源.
- 模型的性能通过逐步对训练数据集进行子样本测试,并通过删除群体来测试.
主要成果:
- 人工智能模型实现了92%的平均物种识别准确度,不管子极性如何.
- 随着样本规模的减少,模型的准确性下降,在15%的数据下降到80%.
- 种群和囊来源的确定率>75%,表明诊断性运动皮肤标志物.
- 当训练和测试群体不同时,特定变异对模型准确性产生了重大影响.
结论:
- 子子形态是物种识别的一个非常有前途的特征,补充了现有的分类方法.
- 种群和囊特异性子特征的存在需要进一步调查它们的进化起源.
- 强大的自动识别工具需要培训数据集,这些数据集包括来自多个种群和囊的实质性细分变异.
