编辑推荐：
浮游生物分类传统方法耗时耗力且易出错。研究人员开展基于深度学习的浮游生物分类研究，融合 InceptionResNetV2 和 DeepPlanktonNet 模型特征，用鲸鱼优化算法（WOA）筛选特征。结果分类准确率达 98.79%，有助于海洋生态监测等。
在广袤的海洋世界里，浮游生物虽小，却有着大作用。它们作为海洋食物链中的初级生产者，对海洋生态平衡和全球碳循环意义重大。而且，浮游生物对环境变化极为敏感，是海洋生态状况的重要生物指标，研究它们的种类和数量变化，对于保护海洋生态系统至关重要。
然而，传统的浮游生物分类方法却面临着诸多难题。以往，科研人员借助 Niskin 瓶、泵、拖网等工具采集海洋样本，之后在显微镜下由专业人员逐一把关、分类鉴定。但海洋环境复杂恶劣，采样工作困难重重，后续的样本分析不仅耗费大量时间和人力，还容易出现人为误差，这极大地限制了浮游生物研究的效率和准确性。
随着科技的发展，计算机视觉和深度学习技术逐渐兴起，为浮游生物分类带来了新的希望。不过，这条探索之路并非一帆风顺。有限的标记数据集、深度学习模型缺乏可解释性以及高昂的计算成本，成为了阻碍浮游生物自动化分类发展的 “三座大山”。在这样的背景下，为了实现浮游生物的高效、精准分类，来自国外的研究人员开展了一项极具创新性的研究，其成果发表在《Computers in Biology and Medicine》上。
研究人员整合了迁移学习与 DeepPlanktonNet 模型从头训练、特征融合和优化技术。他们选用 InceptionResNetV2 模型（利用迁移学习进行高效特征提取）和 DeepPlanktonNet 模型（从头训练以捕捉特定数据集特征），通过特征融合的方式，将两个模型的优势结合起来，使特征表示更加丰富。同时，运用鲸鱼优化算法（WOA）进行特征选择，减少了冗余特征，提高了计算效率。此外，研究人员还采用了 Local Interpretable Model-agnostic Explanations（LIME）技术，让模型的决策过程更加透明、可解释。
下面来看看研究中用到的几个主要关键技术方法：
- 数据集：使用 WHOI 提供的数据集，该数据集包含 6598 张图像，分为 22 个类别，涵盖多种浮游生物种类。
- 模型构建：构建 InceptionResNetV2 和 DeepPlanktonNet 模型，前者借助迁移学习从大规模图像数据中学习通用特征，后者针对浮游生物数据特点从头训练提取特定特征。
- 特征处理：先对图像进行预处理，包括数据增强、图像 resize 和数据划分；接着从两个模型中提取特征并融合，再利用 WOA 优化特征空间。
- 模型评估：采用多种评估指标，如准确率、精确率、召回率和 F1 分数，使用 5 折交叉验证确保模型性能可靠。
接下来是具体的研究结果：
- 模型性能对比：实验对比了 InceptionResNetV2 和 DeepPlanktonNet 的端到端分类性能。InceptionResNetV2 凭借其复杂的架构，在多尺度特征提取和梯度流动方面表现出色，准确率达到 92.33%；而 DeepPlanktonNet 因架构相对简单，捕捉复杂模式的能力有限，准确率为 79.21%。这一结果表明单一模型存在局限性，为后续采用混合方法提供了依据。
- 融合特征分类优势：将机器学习分类器应用于融合特征集，发现分类性能显著提升。例如，Medium Neural Network（MNN）在使用融合特征集后，F1 分数达到 0.94，准确率提升至 96.4%，执行时间也有所减少。这证明了融合特征能够整合不同模型的优势，提高分类效果。
- WOA 优化效果显著：应用 WOA 对融合特征进行优化后，几乎所有分类器的性能都得到显著提升。如 Decision Tree-Medium Tree 模型的准确率从 62.42% 大幅提升至 96.05%，表明 WOA 能够有效调整模型参数，克服决策树等模型的固有缺陷，提高分类性能。
- 精度与效率平衡：通过绘制热图分析模型性能和计算成本的权衡关系，发现优化后所有模型的准确率都有所提高，且大部分模型的运行时间减少。尽管 SVM 模型在优化后计算时间增加，但整体来看，优化过程提高了模型的综合性能，为模型选择提供了参考依据。
- 与其他模型对比优势明显：与 InceptionResNetV2、ShuffleNet、DenseNet201 和 ResNet101 等先进模型相比，本研究提出的混合模型在准确率、精确率、召回率和 F1 分数上都表现更优，达到了 98.79% 的准确率。这得益于 InceptionResNetV2 和 DeepPlanktonNet 在处理复杂数据集时的协同优势，以及 WOA 在特征选择上的优化作用。
- LIME 解释性分析：利用 LIME 技术对 InceptionResNetV2 和 DeepPlanktonNet 的预测进行解释，发现 InceptionResNetV2 在分类时更关注浮游生物的特定区域和精细特征，解释性更强；而 DeepPlanktonNet 的关注区域更广泛，可能更有利于模型的泛化，但解释性相对较弱。这为根据不同任务需求选择合适的模型提供了参考。
- 与 SOTA 方法比较性能卓越：与其他最先进（SOTA）方法相比，本研究提出的方法在分类准确率上具有显著优势。之前最高报道的准确率为 97.9%，而本研究通过特征融合、WOA 特征选择和多种分类器协同，达到了 98.79% 的准确率，同时 LIME 技术的应用增强了模型的可解释性，使模型更适用于实际应用场景。
在研究结论和讨论部分，该研究成果具有重要意义。研究提出的方法在浮游生物图像分类领域取得了显著进展，InceptionResNetV2 的端到端准确率验证了迁移学习在特定数据集上的有效性，而 DeepPlanktonNet 虽然从头训练效果稍逊，但通过特征融合和 WOA 优化，整体框架性能大幅提升。融合特征增强了模型的表现力，WOA 优化不仅提高了准确率，还降低了计算成本，使框架更具可扩展性，有助于大规模的海洋生态研究。
然而，研究也存在一些局限性。DeepPlanktonNet 在小样本数据集上的表现有待提高，优化过程的计算成本仍需进一步降低，现有数据集可能无法涵盖所有浮游生物种类的变异，且深度学习模型的特征重要性分析存在困难，缺乏与领域知识对齐的标准解释性指标。
针对这些不足，研究人员在未来工作中有明确的方向。他们计划与海洋生物学家合作生成带专家注释的基准数据集，添加注意力机制和其他可解释性技术（如 SHapley Additive Explanations（SHAP））来增强模型的可解释性，探索域适应技术、自监督或半监督学习技术，结合 WOA 与其他优化技术降低计算成本，将时空数据纳入 LIME 框架，并研究联邦学习技术在浮游生物分类中的应用，实现实时监测等。
总的来说，这项研究为浮游生物分类提供了一种高效、准确且可解释的方法，对海洋生态监测、气候变化研究和水质分析等领域有着重要的推动作用，也为环境 AI 应用的进一步创新奠定了坚实基础。
