可解释的卷积神经网络用于识别Ampullariidae属的识别
Rabi Suraj Duwa1, Kabir Salihu Suraj2
1Department of Biological Sciences, Nigeria Police Academy, Maiduguri Road, Wudil, 713001, Kano, Nigeria.
Parasitology international
|November 21, 2025
概括
这项研究引入了一种可解释的深度学习模型,用于识别入侵的淡水牛 (Ampullariidae). 该模型使用外特征准确分类牛物种,有助于生态监测和寄生虫控制.
科学领域:
- 马拉科学是 Malacology 的一个学科.
- 计算生物学 计算生物学
- 生态生态学 生态生态学
背景情况:
- 侵袭性淡水牛 (Ampullariidae家族) 对农业,生物多样性和公共健康构成重大风险.
- 目前用于牛识别的深度学习模型往往缺乏透明度,阻碍了它们在分类学和生态管理中的应用.
- 可解释的人工智能 (AI) 提供了一种潜在的解决方案,可以消除这些模型的神秘性.
研究的目的:
- 开发和评估一个可解释的卷积神经网络 (CNN),用于分类和解释侵袭性Ampullariidae牛和相关品种的形态特征.
- 为了提高分类学精度,并通过使用人工智能对诊断特征提供视觉洞察力.
主要方法:
- 使用基于VGG16的CNN架构与梯度加权类激活映射 (Grad-CAM) 集成.
- 采用了来自尼日利亚的350个野外采集的Ampullariidae标本的数据集,并增加了其他牛属 (Biomphalaria,Bulinus,Lymnae,Melanoides).
- 通过验证准确性和特征焦点的Grad-CAM可视化来评估模型性能.
主要成果:
- 可解释的CNN在20个时代内实现了0.99的高验证准确性.
- 格拉德-CAM分析证实,该模型专注于关键的属性特异性外特征,如尖顶高度,卷轴方向和光圈方向.
- 该模型在基于形态学的牛物种分类方面表现强.
结论:
- 可以解释的深度学习,特别是使用CNN和Grad-CAM,可以显著提高淡水牛的分类学准确性.
- 这种方法为诊断形态特征提供了有价值的视觉见解,支持生态监测和入侵物种管理.
- 开发的模型是生物多样性评估和控制牛传播疾病的强大工具.
