使用深度学习算法对物种分类进行系统审查,并使用卷积神经网络对Tribolium castaneum进行性别识别

科学领域:

• 生命科学 生命科学
• 昆虫学 昆虫学是一门学科.
• 人工智能的人工智能

背景情况:

• 动物分类的传统机器学习 (ML) 在人工依赖和数据解释延迟方面存在局限性.
• 深度学习算法,包括人工神经网络 (ANN) 和卷积神经网络 (CNN),为物种分类和模式识别提供先进的解决方案.
• 红色面粉甲虫 (Tribolium castaneum) 是一个重要的农业害虫,也是基因研究的模型生物,在这些研究中,准确的性别鉴定至关重要.

研究的目的:

• 开发和评估一种基于CNN的智能系统,用于使用显微镜图像进行*Tribolium castaneum*的自动性别分类.
• 解决手动性别识别的局限性,这需要专家的人类干预,并且可能耗费大量时间.
• 提供一种可靠和有效的性别识别方法,适用于涉及这种模型生物体的应用研究.

主要方法:

• 创建了一个数据集,包含116张T. castaneum* (背部和腹部视图) 的显微镜图像.
• 采用CNN模型,使用2D特征图矩阵和修正线性单位 (ReLU) 激活功能.
• 该算法涉及到特征地图的顺序选择和聚合特征地图的生成,以确定性别差异.

主要成果:

• 基于CNN的分类模型实现了97%至98%的准确率.
• 获得了0.67的F分数,表明该模型在分类中的表现.
• 开发的系统表现出强度,自动化特征提取和性别分类,使用最小的手动干预.

结论:

• 基于CNN的方法提供了一种准确和自动化的方法来识别 *T. castaneum* pupae. 的性别.
• 这种智能系统显著减少了对手工分类的依赖,提高了科学研究的效率.
• 这项研究强调了深度学习在应用生命科学中的潜力,以实现快速而精确的生物特征.