研究着眼于深度学习对植物标本物种鉴定的潜力

让我们通过深度学习来利用植物标本馆的影响，”是8月11日BMC系列博客的头条新闻。

为了让您了解科学家正在处理的数字，“世界各地维持植物标本馆的机构数量约为3,000个;在受控环境下储存超过350,000,000个样本。”

不仅如此，但是，TechCrunch表示，“它被怀疑隐藏在其中的可能是成千上万的新物种 - 但是手动通过所有样本来仔细检查它们，使分类法现代化等等的劳动力成本是令人望而却步的。 “

“ 植物标本”指的是已经系统安装和分类的植物集合。

难怪，根据大自然的说法，数字化植物标本正在为研究人员开辟一个全新的世界。

Nature的 Heidi Ledford 说：“世界各地的自然历史博物馆正在竞相将其藏品数字化，将他们的标本图像存放到开放式数据库中，研究人员可以随时随地搜索。一个数据聚合器，即美国国家科学基金会的iDigBio项目，全国各地收藏的植物和动物图片超过1.5亿张。“

植物标本馆藏有植物的遗产和知识。博物馆和机构保持与植物标本收集了数百个他们的植物标本年。

然而，有些数据尚未开发。那是因为识别和分类标本并不容易。问题：(1)在物种层面仍有数千张不明身份(2)许多表需要审查和更新，以反映最近的分类学知识;(3)植物学家的这些任务需要在合理的时间内完成大量工作。

在周五的BMC系列博客中，JoséCarranza-Rojas，Erick Mata-Montero和Pierre Bonnet讨论了他们今天在BMC进化生物学中发表的研究，该研究使用深度学习计算机视觉技术自动化标本识别。作者在他们的论文中说结果显示深度学习对植物标本物种鉴定的潜力，“特别是通过不同植物标本馆的不同数据集进行培训和测试。”

根据该论文的摘要，“应用到植物标本计算机视觉和机器学习方法床单是有前途的，但仍然没有很好的研究相比，从叶扫描或在外地植物的图片自动物种鉴定。”

“深入研究植物标本馆标本的自动识别”，这是一篇开放获取文章，是BMC进化生物学的标题。

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

Nature的 Heidi Ledford 说：“这项工作于8月11日发表在BMC进化生物学上，是第一次尝试使用深度学习 - 一种人工智能技术，教授使用大型复杂数据集的神经网络 - 来解决困难的分类学在自然历史收藏中识别物种的任务。“

Ledford in Nature描述了他们的研究。

据研究人员称，在数千种保存植物的图像上训练的计算机算法学会了自动识别压制，干燥和安装在植物标本上的物种。“Bonnet的团队已经通过Pl @ ntNet项目实现了工厂识别的自动化。” (它已经积累了数百万的新鲜植物图像，通常由人们使用其手机应用程序来识别标本。)

下一步是什么?

作者提出了使用深度学习来处理植物标本图像的案例。

“植物标本图像的一个问题是视觉噪声。通常情况下，标本放在纸张上而没有自动视觉处理需求。例如，器官并置，图像中也存在标签等元素。深度学习是一种技术已经证明它可以很好地处理视觉噪声和复杂的图像。所以现在正是尝试将它用于标枪术图像的时候。“

宾夕法尼亚州立大学的古植物学家彼得威尔夫在自然文章中引述说：“这种工作是未来;这是我们在自然历史中的发展方向。”

撰写该博客的Carranza-Rojas，Mata-Montero和Bonnet说：“野外探险家，植物学家，分类学家，技术人员和数据管理人员投入了大量的工作，不仅为生物学生成了非常有用的数据。我们希望这项工作能够为这些社区之间更强大的合作打开大门，特别是在自然历史博物馆和机器学习/计算机视觉实验室之间。“