研究著眼于深度學習對植物標本物種鑒定的潛力

讓我們通過深度學習來利用植物標本館的影響，”是8月11日BMC系列博客的頭條新聞。

為了讓您了解科學家正在處理的數(shù)字，“世界各地維持植物標本館的機構(gòu)數(shù)量約為3,000個;在受控環(huán)境下儲存超過350,000,000個樣本。”

不僅如此，但是，TechCrunch表示，“它被懷疑隱藏在其中的可能是成千上萬的新物種 - 但是手動通過所有樣本來仔細檢查它們，使分類法現(xiàn)代化等等的勞動力成本是令人望而卻步的。 “

“ 植物標本”指的是已經(jīng)系統(tǒng)安裝和分類的植物集合。

難怪，根據(jù)大自然的說法，數(shù)字化植物標本正在為研究人員開辟一個全新的世界。

Nature的 Heidi Ledford 說：“世界各地的自然歷史博物館正在競相將其藏品數(shù)字化，將他們的標本圖像存放到開放式數(shù)據(jù)庫中，研究人員可以隨時隨地搜索。一個數(shù)據(jù)聚合器，即美國國家科學基金會的iDigBio項目，全國各地收藏的植物和動物圖片超過1.5億張。“

植物標本館藏有植物的遺產(chǎn)和知識。博物館和機構(gòu)保持與植物標本收集了數(shù)百個他們的植物標本年。

然而，有些數(shù)據(jù)尚未開發(fā)。那是因為識別和分類標本并不容易。問題：(1)在物種層面仍有數(shù)千張不明身份(2)許多表需要審查和更新，以反映最近的分類學知識;(3)植物學家的這些任務(wù)需要在合理的時間內(nèi)完成大量工作。

在周五的BMC系列博客中，JoséCarranza-Rojas，Erick Mata-Montero和Pierre Bonnet討論了他們今天在BMC進化生物學中發(fā)表的研究，該研究使用深度學習計算機視覺技術(shù)自動化標本識別。作者在他們的論文中說結(jié)果顯示深度學習對植物標本物種鑒定的潛力，“特別是通過不同植物標本館的不同數(shù)據(jù)集進行培訓(xùn)和測試。”

根據(jù)該論文的摘要，“應(yīng)用到植物標本計算機視覺和機器學習方法床單是有前途的，但仍然沒有很好的研究相比，從葉掃描或在外地植物的圖片自動物種鑒定。”

“深入研究植物標本館標本的自動識別”，這是一篇開放獲取文章，是BMC進化生物學的標題。

作者是Jose Carranza-Rojas，Herve Goeau，Pierre Bonnet，Erick Mata-Montero和Alexis Joly。

Nature的 Heidi Ledford 說：“這項工作于8月11日發(fā)表在BMC進化生物學上，是第一次嘗試使用深度學習 - 一種人工智能技術(shù)，教授使用大型復(fù)雜數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò) - 來解決困難的分類學在自然歷史收藏中識別物種的任務(wù)。“

Ledford in Nature描述了他們的研究。

據(jù)研究人員稱，在數(shù)千種保存植物的圖像上訓(xùn)練的計算機算法學會了自動識別壓制，干燥和安裝在植物標本上的物種。“Bonnet的團隊已經(jīng)通過Pl @ ntNet項目實現(xiàn)了工廠識別的自動化。” (它已經(jīng)積累了數(shù)百萬的新鮮植物圖像，通常由人們使用其手機應(yīng)用程序來識別標本。)

下一步是什么?

作者提出了使用深度學習來處理植物標本圖像的案例。

“植物標本圖像的一個問題是視覺噪聲。通常情況下，標本放在紙張上而沒有自動視覺處理需求。例如，器官并置，圖像中也存在標簽等元素。深度學習是一種技術(shù)已經(jīng)證明它可以很好地處理視覺噪聲和復(fù)雜的圖像。所以現(xiàn)在正是嘗試將它用于標槍術(shù)圖像的時候。“

賓夕法尼亞州立大學的古植物學家彼得威爾夫在自然文章中引述說：“這種工作是未來;這是我們在自然歷史中的發(fā)展方向。”

撰寫該博客的Carranza-Rojas，Mata-Montero和Bonnet說：“野外探險家，植物學家，分類學家，技術(shù)人員和數(shù)據(jù)管理人員投入了大量的工作，不僅為生物學生成了非常有用的數(shù)據(jù)。我們希望這項工作能夠為這些社區(qū)之間更強大的合作打開大門，特別是在自然歷史博物館和機器學習/計算機視覺實驗室之間。“