整合机器学习、深度学习与图像分析进行种子物种分类

《Applications in Plant Sciences》：Integrating machine learning, deep learning, and image analysis for seed species classification

　　

前提：生态修复中对野生花卉种子的需求日益增长，需要可靠的物种鉴定，但当前市场产品常包含异质物种。由于种子鉴定劳动密集且需要高级植物学知识，研究人员评估了多种分割与分类方法，以确定哪种组合在现实条件下能更好地识别物种并量化其频率。
方法：研究人员使用平板扫描仪生成常见野生花卉物种的种子图像。比较了人工智能（AI）和非AI分割流程。在表格特征上评估了20多种分类器，并在单种子图像输入上评估了卷积神经网络（CNN）。使用先前未见过的分类群通过决策阈值模拟了开放集条件。
结果：在表格数据上，XGBoost和多层感知器（MLP）模型的F1得分超过0.96，而AutoGluon的CNN和集成模型达到F1>0.97。ResNet-50在使用Cellpose分割获得的单种子图像上实现了超过0.99的F1得分。随机森林在开放集分类中对未见物种达到了最高准确率（0.92）。
讨论：深度学习分割显著提高了CNN的准确性，但基于表格特征的机器学习模型仍具有竞争力且高效。基于阈值的拒绝机制实现了稳健的开放集分类，其中随机森林在拒绝未见种子方面优于更深层模型。没有单一方法普遍最优；最佳策略取决于任务涉及闭集还是开放集分类，以及准确性与计算成本之间的权衡。

**论文解读：整合机器学习、深度学习与图像分析进行种子物种分类**

**研究背景与问题**
生态修复项目对野生花卉种子的需求持续增长，但市场上流通的种子产品常包含多种物种的混合，且缺乏可靠的鉴定手段。传统的种子物种鉴定依赖于专家的形态学知识，耗时且无法规模化。同时，种子供应链中由于栽培、基因漂变等因素导致种内表型变异，使得基于形态的鉴定更加困难。现有图像分类研究多聚焦于经济作物品种或杂草种子，在多样化的野生花卉物种上表现不佳，且大多未考虑开放集分类场景（即模型可能遇到训练中未见的物种）。因此，亟需一种成本低、易操作且能处理开放集条件的种子鉴定方法，以支持生态修复中的质量控制。

**研究内容与结论**
研究人员构建了一套完整的种子图像采集、分割、特征提取与分类流程，系统比较了多种机器学习与深度学习方法。研究采集了英国常见的10种野生花卉种子（来源于5个供应商），共获得超过14.5万个种子实例。通过平板扫描仪获取图像，并分别采用非AI（基于ImageJ）和AI（基于Cellpose v4卷积神经网络）两种分割流程生成单种子图像及64个形态、颜色、纹理特征。在闭集分类中，基于表格特征的XGBoost和MLP模型F1得分超过0.96，而基于Cellpose分割的ResNet-50在单种子图像上达到F1=0.99，为最优。在开放集分类中，引入概率阈值后，随机森林的F1得分最高（0.92），优于深度学习模型。研究表明，没有单一方法适用于所有场景：闭集分类中深度学习分割加CNN表现最佳，但计算成本高；若需高效处理开放集场景，随机森林等传统机器学习模型更具优势。该论文发表在《Applications in Plant Sciences》。

**关键技术与方法**
研究人员主要采用以下关键技术：1）平板扫描仪（Canon LiDE 300，600 ppi）进行标准化图像采集，避免光源与阴影干扰；2）两种图像分割流程：非AI方法利用ImageJ插件（基于ParticleAnalyzer）从白色背景中提取种子掩膜，AI方法使用Cellpose v4深度学习模型（预训练'cellpose-sam'模型）进行分割；3）特征提取：从ImageJ获取64个数值特征（形态、纹理、颜色），并用OpenCV v2和scikit-image生成单种子标准化图像；4）分类模型训练：基于Scikit-learn、AutoGluon、AutoXAI4Omics平台，评估了20多种分类器，包括XGBoost、随机森林、多层感知器（MLP）、ResNet-50、InceptionV3、MobileNetV3等，并采用五折交叉验证、超参数网格搜索、ROSE过采样等策略；5）开放集模拟：引入8种未见物种构建“模拟种子混合”，通过决策阈值（0~1）优化分类性能。样本来源包括英国5个商业供应商，涵盖10种常见野生花卉物种。

**研究结果**
1. **提取视觉特征与数据集验证**：从10种常见野生花卉种子（来自5个供应商）中提取64个特征。主成分分析（PCA）显示前三个主成分解释62%方差，线性判别分析（LDA）解释74.74%方差，且物种间聚类明显，LDA内部交叉验证F1=0.92。通过五折交叉验证发现，当训练集包含3个以上供应商来源且每物种实例数超过1000时，F1得分趋于稳定，验证了数据集尺寸与代表性充足。

2. **表格输入下机器学习与深度学习模型比较**：在闭集分类中，Scikit-learn的MLP和XGBoost平均F1>0.96；AutoGluon的FastAI神经网络和加权集成模型F1>0.97。供应商剔除实验表明，模型性能并非由供应商重叠驱动，最佳模型（如HistGradientBoosting、MLP）在剔除供应商后F1仍达0.93~0.94。

3. **图像输入下神经网络模型比较**：对比三种CNN（ResNet-50、InceptionV3、MobileNetV3），ResNet-50最优。通过优化输入变换、数据增强、类别平衡及渐进式微调，ResNet-50在ImageJ分割数据集上F1=0.89，而在Cellpose分割数据集上F1=0.99。Cellpose分割的掩膜更精准，显著提升了CNN性能。

4. **开放集分类**：模拟包含50%已知物种和50%未见物种的混合种子，未使用阈值时所有模型F1显著下降，混淆矩阵显示未见种子被强制分类到已知类别。引入最优决策阈值后，随机森林达到最高F1=0.908，优于其他模型（如FastAI神经网络F1=0.855）。随机森林阈值稳定在0.8，而梯度提升模型（如XGBoost）阈值接近1，但稳定性较差。ResNet-50在开放集分类中表现不佳，即使阈值设至0.99仍无法有效拒绝未见种子。

**讨论与结论**
研究人员指出，分割质量是深度学习性能的关键决定因素，Cellpose分割使ResNet-50达到近乎完美的闭集分类准确率，但计算成本高；而传统机器学习模型（如随机森林、梯度提升）在闭集分类中性能接近，且计算资源需求低，更灵活。开放集分类中，随机森林因概率输出稳定，通过阈值处理能有效拒绝未见种子，优于深度模型。研究建议：实际应用应根据任务类型（闭集/开放集）和计算资源权衡选择模型。最终结论强调，没有通用最优方法，最佳策略取决于准确性与计算成本的平衡。多源数据、高质量分割和阈值校准是提升鲁棒性的关键。未来可探索种子老化对分类的影响，并开发更鲁棒的开放集分类策略。