|
|
||||||||||||
|
通过虫体花粉识别构建植物‒传粉者网络: 人工模型与AI模型高度一致
生物多样性
2024, 32 (6):
24088-.
DOI: 10.17520/biods.2024088
传粉是生态系统中一项关键服务, 准确识别和分析传粉者携带的花粉对于理解植物‒传粉者交互作用以及传粉服务至关重要。传统的花粉识别方法依赖于显微镜下的人工直接观察, 这种方法耗时且需要专业知识, 限制了其在大规模应用中的效率, 在评估传粉效率和稀有植物‒传粉者连接方面存在局限性。针对此问题, 我们使用公共平台训练了基于河南洛阳市天池山国家森林公园14种同时开花植物的花粉识别人工智能(AI)模型, 通过比较人工显微镜观察和AI模型识别142只传粉者身体携带的花粉构成, 首次探讨了两种方法构建的植物‒传粉者互作网络的结构差异。结果表明AI模型在构建时能够达到96%的整体准确率。人工识别与AI模型在识别的连接数量、花粉数量以及图片一致率方面存在差异。AI模型在识别连接和花粉数量上略高于人工方法, 并且在第三方的一致性检验中, 超过半数的情况倾向于AI模型的结果。尽管存在一些独有连接的差异, 人工识别与AI模型构建的定量网络在结构特征上展现出高度的相似性。本研究揭示了AI图像识别技术对提高花粉分析效率和准确性的作用, 以及应用于植物‒传粉者互作研究的潜力, 这将有助于传粉网络研究的大规模开展, 为传粉生态学研究提供新的工具和视角。
表1
基于天池山花粉识别库进行的图像分割AI模型和物体检测AI模型训练结果比较。平均精度均值(mean Average Precision, mAP)为对所有类别的精确度的平均值, 范围0‒1, 越接近1说明模型效果越好。精确率为正确预测的物体数与预测物体总数之比)。召回率为正确预测的物体数与真实物体数之比。
正文中引用本图/表的段落
第一步将14种植物的标准花粉图片库上传到智能图像识别平台EasyDL, 并为每种植物的花粉创建图片数据集。数据集包括训练集(每种至少保存50张, 且确保涵盖形状、纹饰等取像多样性)和验证集(每种至少3张未在训练集的花粉图像, 用于验证模型训练效果)。训练集使用人工进行分组标注, 标注工具精确覆盖标准花粉细胞, 保证数据质量。基于这一标准花粉数据集, 在平台上进行物体检测和图像分割两种识别模型的构建以及校验。通过对花粉细胞的精确标注, 验证集的校验提高模型识别准确度, 构建更优化AI的花粉识别模型。两种模型的识别结果表明, 物体检测模型的精确度更高, 为97.20% (precision, 正确检测到的目标数与模型总共检测到的目标数之比), 召回率为93.92% (recall, 召回率是指正确检测到的目标数与真实存在的目标总数之比)和平均精度均值(mean Average Precision, mAP; 所有类别的精确度的平均值), 为99.25% (表1)。这说明物体检测模型更适合识别各个物种之间的花粉形态差异, 可以用于后续的虫体携带花粉图像的识别鉴定。
人工花粉鉴定中, 需要比对花粉图片库和花粉形态数据表格, 由于不同物种花粉识别的难度不同, 每张照片的人工识别需要花费1?5 min。使用AI进行花粉识别, 模型对每张照片的响应时间小于10 s。如果仅考虑识别过程, AI模型的引入可以使效率提高约10倍, 且准确率与人工识别无显著差异。我们估计目前常规显微镜拍照和人工识别一人两个月的工作量, 引入AI识别模型, 可以缩短到1个月以内。
本文的其它图/表
|
