可解释的深度学习在食用燕窝(EBN)分级中的应用
《Journal of Agriculture and Food Research》:Explainable Deep Learning for Grading of Edible Bird’s Nest (EBN)
【字体:
大
中
小
】
时间:2026年03月10日
来源:Journal of Agriculture and Food Research 6.2
编辑推荐:
普姆萨克·波贾纳莱(Poomsak Pojanalai)、彭西里·阿卡吉特(Pensiri Akkajit)、阿尔桑查伊·苏库埃亚(Arsanchai Sukkuea)
瓦莱拉克大学(Walailak University)工程与技术学院
泰国那空是贪玛叻府塔萨拉(Tha
普姆萨克·波贾纳莱(Poomsak Pojanalai)、彭西里·阿卡吉特(Pensiri Akkajit)、阿尔桑查伊·苏库埃亚(Arsanchai Sukkuea)
瓦莱拉克大学(Walailak University)工程与技术学院
泰国那空是贪玛叻府塔萨拉(Thasala),泰布里路222号(222 Thaiburi, Thasala, Nakhon Si Thammarat),邮编80160
**摘要**
燕窝(Edible Bird’s Nest, EBN)是一种由金丝燕唾液固化而成的农产品,由于不同等级之间存在细微差异,因此在分类方面存在挑战。准确的分类对于确保产品公平定价和支持大规模农业生产效率至关重要。本研究利用基于深度学习的计算机视觉技术,提高了燕窝在八个等级(A-High、A-Wash、A-White、AB、B、B3、Tiao-A和Tiao-B)上的分类准确性和一致性,推动了计算机视觉在精准农业中的理论应用。共有4,326张图像用于模型训练和评估,包括1,442张原始图像和2,884张增强图像。这些数据集被用来训练和评估五种卷积神经网络(CNN)模型:EfficientNetV2-B0、EfficientNet-B7、ResNet-50、Inception-v3和MobileNetV3。在训练过程中,这些模型的分类准确率达到了96%至99%。当在未见过的测试数据集上进行评估时,所有模型的测试准确率均为99%。MobileNetV3在大多数等级上的准确率达到了99%,但在A-Wash和A-White等级上略有下降。为了提高模型的可解释性,采用了梯度加权类激活映射(Grad-CAM)技术,证实模型关注的是形状和杂质含量等关键特征,而不是背景噪声。因此,本研究验证了所提出的深度学习框架的稳健性,表明可解释的人工智能可以为燕窝质量评估提供一种科学严谨且标准化的方法。
**1. 引言**
燕窝主要由金丝燕的唾液硬化而成,在东南亚出口国家的经济中扮演着重要角色[1][2]。由于其较高的市场价值和据称的传统健康益处[3][4][5][6],燕窝产业对全球贸易做出了重要贡献。燕窝由金丝燕分泌的唾液构成,它们将唾液涂抹在垂直表面上筑巢。金丝燕是一种小型食虫鸟类,其生长和繁殖需要特定的环境条件,包括高湿度(约90%)、温度在28至30°C之间[7],以及丰富的食物来源,这些条件主要存在于印度尼西亚、马来西亚、泰国、越南和中国东南沿海部分地区[8][9]。金丝燕自然偏好黑暗且湿度高的洞穴作为筑巢地点[10]。它们更喜欢坡度较高、内侧凹陷且表面光滑的巢穴,而不是低矮粗糙的墙壁[11]。这些特定条件为筑巢提供了更好的支撑,提高了雏鸟的存活率,并增强了对捕食者的防御能力[12]。雏鸟离巢后,巢穴被采集下来并进一步加工成燕窝产品[8]。全球记录的24种金丝燕中,有7种能够产燕窝[13],包括Collocalia esculenta、Collocalia linchi、Aerodramus fuciphagus、Aerodramus germani、Aerodramus maximus、Aerodramus unicolor和Aerodramus francicus。其中,Aerodramus fuciphagus和Aerodramus maximus是东南亚地区最主要的燕窝生产物种[8]。
燕窝在中国传统医学和烹饪中备受重视,因为人们认为它们具有丰富的营养价值和药用功效[3][4][5][6]。这些功效被认为能显著改善健康状况,包括通过唾液酸成分增强认知能力[14][15]、支持免疫系统[16]、促进细胞增殖以及延缓皮肤老化[17][18]。燕窝的化学成分复杂,受多种因素影响,包括鸟类种类、地理来源、采集时间和加工方法[19][20]。它主要由碳水化合物、蛋白质、多糖、矿物质、脂质以及多种生物活性化合物(如唾液酸和氨基酸)组成,这些成分具有抗氧化、抗炎、抗肿瘤和抗衰老的作用[19]。分级系统标准化了燕窝的质量测量,并决定了其价格;等级越高,价格越昂贵[21]。以往的研究广泛对燕窝的化学成分进行了分类和分析,重点关注了一系列物理化学性质。然而,只有少数研究提供了与每个等级相对应的详细视觉描述。例如,Seow等人[22]研究了洞穴采集和人工养殖燕窝之间的差异,基于钙、钠、镁和钾等主要矿物质成分来评估采集来源对矿物质组成的影响。同样,Ang等人[23]使用基于钙、钠、镁和钾矿物质比例的逻辑回归模型对来自马来西亚和印尼的燕窝样本进行了分类,取得了100%的特异性和91.67%的敏感性。
由于缺乏统一的全球燕窝分级标准,现有的商业分级方案是基于对各种物理属性(如完整性、形状、大小、重量、纯度和颜色[21]的评估来制定的。马来西亚标准(MS 2334:2011)将燕窝分为三个等级:I、II和III,依据形状、大小、清洁程度(杂质)和颜色等标准[24]。此外,马来西亚政府还实施了全面的标准化体系来规范整个燕窝供应链,包括MS 2273:2012和MS 2503:2012(关于养殖规范)、MS 2333:2010(良好生产规范GMP)以及MS 2509:2012(用于检测亚硝酸盐和硝酸盐含量[12])。除了这些美学等级外,商业可行性还要求燕窝符合严格的安全标准,包括水分含量、亚硝酸盐水平和微生物负荷。与马来西亚不同,泰国目前缺乏统一的商业燕窝分级国家标准。泰国农业与合作部下属的农产品和食品标准局推出了TAS 6705-2014自愿标准,以提高燕窝产品的安全性、质量和真实性,以满足出口至中国的要求[12][25]。工业界人士主要依赖形状、大小和清洁度等物理属性作为质量和价格的决定因素[26]。例如,杂质含量最少的完整巢穴具有最高的市场价值,而破碎或严重污染的巢穴分级较低。为了确保经济相关性,本研究采用了当前泰国燕窝生产商普遍采用的八级分级方案。
为应对这些挑战,人工智能(AI)被研究作为一种减轻燕窝分类主观性的工具。将AI和深度学习(DL)应用于决策支持系统可以提高分级的客观性;在人类监督下使用时,这些技术可以提高可重复性并减少疲劳导致的不一致性。例如,Yeo等人[27]开发了一种基于U-Net的新算法用于准确检测杂质,检测率为96.69%,误分类率为10.08%。Sungsiri等人[28]使用MobileNetV2、Xception、DenseNet和VGG等模型研究了燕窝自动分级为A级、B级和 Corner级的方法,发现DenseNet201和VGG16模型的分类准确率均为99.34%。除了视觉分级外,Ang等人[23]还利用基于矿物质比例(Ca/Na和Mg/K)的逻辑回归模型区分洞穴采集和人工养殖的燕窝,这种方法实现了100%的特异性和91.67%的敏感性。Liana等人[29]应用迁移学习与预训练的CNN来优化燕窝清洁过程,其中InceptionResNetV2模型表现最佳,准确率达到96.18%。最近,Zhang等人[30]提出了一种深度语义分割框架[31],利用U-Net++和注意力机制进行杂质定位,取得了94.80%的F1分数和97.90%的召回率。尽管先前的研究在分类表现上取得了成功,但自动化系统的可解释性和方法透明度仍然有限[32]。为了自动 grading 燕窝,本研究评估了五种不同的CNN架构,包括轻量级模型(EfficientNetV2-B0、MobileNetV3)和大型模型(EfficientNet-B7、ResNet-50、Inception-v3)。与以往主要关注提出新的DL架构的研究不同,本研究结合了计算机视觉和农业科学,提供了一个稳健且可解释的框架。该研究提出了一个自动燕窝分级系统,使用基于特定视觉属性(包括纹理、杂质含量和结构形状)的8级数据集,这些属性与商业定价结构直接相关[33]。可解释人工智能(XAI)技术的整合解决了传统深度学习模型“黑盒”性质的问题,后者往往缺乏关键农业评估所需的透明度[34]。通过将操作方式从手动和主观的任务转变为自动化的标准化方法,该框架确保了燕窝领域高精度质量评估所需的一致性和可重复性。
**2. 方法论**
**2.1. 数据收集**
本研究使用的燕窝数据集来自2024年10月在泰国那空是贪玛叻省进行的燕窝拍卖[35]。这些拍卖每月举行一次,每次拍卖通常出售约400至800公斤的燕窝。重要的是,大部分拍卖市场上的燕窝都是未经分级的(即原始且未分类的)。因此,处理器批量购买这些燕窝,然后根据既定的商业分级标准进行分类后再进入价值链[36]。收集后,这些燕窝被拍摄成图像以创建数据集。图1显示了使用POCO Phone F1的手机后置摄像头拍摄的高质量燕窝图像的设置。该摄像头具有f/1.9的光圈和1200万像素(4000 × 3000)的分辨率,确保了高质量的图像数据。为了保持稳定性和一致性,手机被安装在距燕窝样本上方20厘米的三脚架上。这种设置确保了精确的对焦,并减少了可能影响图像质量的干扰或移动。图像捕捉通过蓝牙遥控器完成,以避免直接接触手机,从而减少了意外移动和手动快门操作带来的振动[37]。
**2.2. 数据集准备和增强**
图像采集完成后,每张照片都根据燕窝的等级进行了标记。图像文件根据燕窝类型被分为八个不同的类别:A-High、A-Wash、A-White、AB、B、B3、Tiao-A和Tiao-B。表1展示了本研究中使用的八级燕窝分级系统,该系统与燕窝生产区(如泰国南部)的商业分级实践直接一致[33]。图2展示了本研究使用的八个不同燕窝分级类别的图像数据集示例。数据集包含1,442张图片,分为八个类别:A-High(n = 135)、A-Wash(n = 231)、A-White(n = 198)、AB(n = 211)、B(n = 233)、B3(n = 58)、Tiao-A(n = 192)和Tiao-B(n = 184)。
**表1. 燕窝等级总结:杂质含量、形状和典型用途**
| 等级 | 杂质含量(大约) | 形状 | 描述和用途 |
|-------|------------|---------|-------------|
| A-High | 0 - 5% | 杯状或折叠扇状 | 通常以原始状态出售或通过干法清洗,以防止水分导致变形。
| A-Wash | 15 - 25% | 杯状或折叠扇状 | 需要湿法清洗,因为干法效果不足。清洗过程中会改变天然形状,随后通过模具重塑并干燥以恢复杯状。
| A-White | 20 - 30% | 三角形 | 这些三角形或角状的燕窝主要加工成即饮瓶装燕窝产品,虽然外观不够美观,但可得可利用的燕窝材料较多。
| AB | 5 - 10% | 杯状或折叠扇状 | 在形态上与A-High相似,但杂质含量较高。可以原始状态出售或清洗,但加工过程中的材料损失较大。
| B | > 30% | 任何形状 | 含有较高水平的杂质。它们需要密集的水清洗,通常用于制造即饮产品。B3> 40% 任何形状 这些燕窝的特点是含有大量可见的杂质,因此很难清洁,并导致大量物料损失。因此,它们的市场价值显著低于其他等级。Tiao-A5 - 15% 三角形 “Tiao”一词来源于中文“燕条”(Yan-Tiao),指的是清洁后可以看到的明显纤维束。这些燕窝通常是三角形的。Tiao-B15 - 25% 三角形 在形态上与“Tiao-A”相似,但含有更高水平的杂质。这导致更高的加工损失和更低的市场价格。 下载:下载高分辨率图像(568KB) 下载:下载全尺寸图像 图2. 分类为八个不同EBN等级的图像数据集示例
2.2. 数据增强 尽管原始样本的采集受到现场限制,但采用了数据增强技术来确保模型具有强大的泛化能力,并减少过拟合的风险[39]。该过程通过对方向原始图像进行变换来人为增加数据集的大小,具体包括逆时针旋转和水平翻转[40]。数据增强后,最终数据集扩展到4,326张图像。这个全面的数据集随后被划分为两个不同的子集:80%(3,460张图像)用于训练和验证,20%(866张图像)用于测试和性能评估[41]。表2显示了按EBN类别划分的数据集组成。
表2. 实验中使用的数据集
数据集 类别 训练和验证数据 测试数据
原始EBN数据:1,442张图像
A-High 1,082 7
A-Wash 185 46
A-White 158 40
AB 169 42
B 186 47
B3 46 12
Tiao-A 154 38
Tiao-B 147 37
组合EBN数据:200%增强(2,884张图像)+ 原始数据(1,442张图像)= 4,326张图像
A-High 3,248 1
A-Wash 554 139
A-White 475 119
AB 506 127
B 559 140
B3 139 35
Tiao-A 461 115
Tiao-B 442 110
2.3. CNN训练和验证 本研究中使用Ross Wightman开发的PyTorch Image Models (timm)库来开发和训练CNN模型。timm为计算机视觉研究提供了全面的工具包,包括多种模型架构、层、优化器以及必要的实用程序。值得注意的是,其丰富的预训练模型集合促进了有效的迁移学习,大大简化了EBN分类的开发过程[42]。该库的强大基础设施和文档确保了系统和高效的实验[43]。为了确保模型的稳健性,对训练数据集进行了5折交叉验证,如图3所示。数据被分成五个相等的部分,每个部分包含代表性的类别分布。在每次迭代中,四个部分用于训练以优化模型参数,而剩余的部分作为验证集。这个过程重复了五次,确保每个部分都恰好被用作一次验证集。然后汇总所有迭代的结果以评估模型的整体稳定性。至关重要的是,独立的测试数据集完全未包含在这个过程中,仅用于最终无偏评估模型的在未见数据上的性能[44]。
下载:下载高分辨率图像(186KB) 下载:下载全尺寸图像 图3. 五折交叉验证
2.4. CNN模型 本研究中选择了五种CNN架构用于EBN分类任务:EfficientNet-B7、EfficientNetV2-B0、ResNet-50、Inception-v3和MobileNetV3[45]。表3基于定义它们复杂性、效率和资源需求的关键指标提供了所选CNN的定量比较。表格列出了参数、千兆乘法累积操作(GMACs)和激活次数(百万次,M)。这些指标对于评估模型的潜在准确性和其在资源受限环境中进行自动EBN分类的适用性至关重要。EfficientNet-B7利用其广泛的参数和计算资源[46][47][48]预算实现了最先进的结果。MobileNetV3在参数和GMACs方面略小(550万个参数,0.2 GMACs),而EfficientNetV2-B0在激活次数方面更节省内存(710万个参数,350万次激活)。这些模型为资源有限的环境提供了最佳的速度与准确性的平衡。ResNet-50和Inception-v3代表了传统的、稳健的中端模型。它们比EfficientNet-B7小且更快,同时具有更多的参数和GMACs[49]。
表3. CNN模型规格比较
模型 参数(M) GMACs(G) 激活次数(M)
EfficientNet-B7 6 6.3 38.3
EfficientNetV2-B0 7 10.5 3.5
MobileNetV3 5.5 0.2 4.4
ResNet-50 25 6.4 11.1
Inception-v3 23 5.7 9
注意:性能指标是基于224x224的输入分辨率计算的
EfficientNet-B7是EfficientNet家族中最大的变体之一,它利用复合缩放来统一调整网络深度、宽度和输入分辨率。这种缩放由以下关系控制[50]:
(1)
其中,α、β、γ和δ是由小范围搜索确定的固定系数,δ是用户指定的用于缩放模型大小的系数。其架构利用移动反向瓶颈卷积(MBConv)块来保持计算效率,同时实现高表示能力,并结合挤压和激励(SE)层来增强通道注意力[51]。由于其广泛的容量和精度,EfficientNet-B7特别擅长捕捉EBN等级之间的细微纹理和颜色变化。然而,其较大的模型规模和较高的计算要求使其最适合性能优先于资源限制的场景[52]。
EfficientNetV2-B0是第二代EfficientNet模型,在早期阶段引入了融合MBConv层以加速训练并减少内存消耗[53]。该模型提供了一种轻量级且计算效率高的设计,适用于中等规模的数据集,同时保持竞争性的准确率。它还采用了渐进式学习策略,在训练过程中逐渐增加图像分辨率和正则化强度以改善泛化能力。结合SE模块进行精细的通道级注意力,EfficientNet-V2-B0在准确性、计算速度和资源效率之间取得了良好的平衡,非常适合具有硬件限制的实际应用[54]。
Inception-v3在每个Inception模块中使用不同大小的并行卷积滤波器来捕获多尺度特征[55]。核心思想是使用现成的密集组件来近似最佳稀疏结构。修正线性单元(ReLU)激活函数是现代深度学习的核心,用于引入网络的非线性[56]:
(2)
这种激活函数使模型能够有效学习图像数据中的复杂模式。这种多尺度特征提取能力使Inception-v3能够捕捉复杂的结构,特别适用于图像分类任务,例如区分EBN的细微形态细节。
ResNet-50以其残差学习框架而闻名,该框架通过解决梯度消失问题来促进非常深层网络的训练[57]。其基础元素是残差块,它使用跳过连接将输入x添加到卷积层的输出中[58]:
(3)
其中x表示要学习的残差映射(例如,两个或三个卷积层和激活函数),γ和δ是层参数。添加输入x使网络能够轻松学习恒等映射。ResNet-50具有50层的深度,提取复杂且具有区分性的特征,支持对EBN纹理和质量的准确检测[59]。其强大的特征提取能力还允许在不同的图像分类任务中进行有效的迁移学习。
MobileNetV3旨在最大化参数效率,在浮点运算(FLOPs)和预测准确性之间取得平衡[60]。在之前的迭代基础上,MobileNetV3结合了深度可分离卷积来降低计算成本,并使用挤压和激励(SE)块进行通道级特征重新校准。结合硬swish激活函数进一步增强非线性特征提取能力,而不会产生显著的延迟。MobileNetV3提供大型和小型两种变体,适用于不同的计算预算,证明即使没有高性能计算基础设施,也可以实现高准确率的EBN分类。
2.5. 评估和性能指标 为了评估CNN模型的性能,使用了四个指标:准确性、精确度、召回率和F1分数。这些指标是使用数据挖掘标准文本中的公式(4)、(5)、(6)、(7)计算得出的[61]。
2.6. 可解释的人工智能 为了严格验证本研究中使用的CNN模型的特征提取机制,应用了可解释的人工智能(XAI)技术。具体来说,使用了梯度加权类激活映射(Grad-CAM)来空间映射和量化对分类结果贡献最大的图像区域[62]。如图4所示,Grad-CAM方法通过利用流入CNN最后一个卷积层的梯度信息生成一个定位图,突出显示输入图像中最大化预测类别后验概率的区域。
下载:下载高分辨率图像(182KB) 下载:下载全尺寸图像 图4. 可解释的人工智能Grad-CAM
在本研究中,所有训练过的CNN模型(EfficientNetV2-B0、EfficientNet-B7、ResNet-50、Inception-v3和MobileNetV3)都接受了Grad-CAM分析。该过程包括三个关键步骤:首先,通过全局平均最终卷积层中特征图Ak对类别c的得分Yc的梯度来获得目标类别的神经元梯度γc和特征图k。这个过程量化了特征图k在分类决策c中的区分相关性[62]。
(8)
这里,Z是特征图中的总像素数,αk是特征图k在位置(i, j)的激活值。其次,使用之前计算出的重要性权重计算特征图Ak的加权线性组合[62]。
(9)
最后,对生成的热图应用修正线性单元(ReLU)激活函数。这是一个关键步骤,因为它确保只有对类别得分有正面影响的区域被考虑在可视化中,从而专注于支持预测类别的证据[62]。
(10)
然后将得到的热图叠加在原始EBN图像上,提供驱动模型预测的特定区域的视觉化。这些Grad-CAM可视化提供了对模型行为的清晰解释[63]。这种方法学整合确保了模型的决策是透明的,并与领域专业知识保持一致,为模型的特征提取能力提供了严格的验证,并确认学习到的表示与既定的分级标准科学一致[64]。
3. 结果和讨论
3.1. 训练期间的性能分析 使用原始数据集和增强数据集的准确性和损失曲线来评估CNN模型的性能以及数据增强的有效性。图5和图6分别展示了原始数据集和组合数据集在五个时代的训练和验证准确性与损失情况。在训练过程中,所有模型在第一个和第二个时代之间都有显著改进,然后在第三个时代继续提高。到第三个时代,所有模型的训练准确性都在97%到99%之间,之后准确性和损失曲线趋于平稳,表明模型已经达到渐近收敛。关于验证性能,三个模型——EfficientNet-B7、EfficientNetV2-B0和MobileNetV3——在训练早期就获得了相对较高的准确性,从第一个时代的87%到95%,并在第三个时代进一步提高到大约94-99%。Inception-v3在第一个时代的验证准确性为72%,但在第二个时代显著提高,达到88%。然后在第三个时代达到稳定,第四个时代再次上升至约96%,第五个时代没有进一步明显改进。相比之下,ResNet-50显示出不同的趋势。其验证准确性在第二个时代显著下降,尽管验证损失继续下降。这种现象表明非单调收敛,可能是由于在模型稳定到局部最小值之前的早期优化阶段中进行了激进的权重更新[65]。然而,这种行为在第三个时代得到解决,准确性显著提高,随后在第五个时代进一步改善。
下载:下载高分辨率图像(932KB) 下载:下载全尺寸图像 图5. 原始数据集的准确性和损失曲线。 下载:下载高分辨率图像(724KB) 下载:下载全尺寸图像 图6. 组合数据集的准确性和损失曲线。
图6展示了组合数据集的准确性和损失曲线。在训练期间,第一和第二个时代之间观察到准确性和损失的显著改进。然而,在第三个时代之后,进一步的改进变得微不足道。到第二个时代,所有模型的训练准确性都在91%到98%之间,表明模型已经达到收敛饱和,之后只有微小的改进。关于组合数据集的验证,ResNet-50和Inception-v3显示出单调收敛,而其他三个模型(EfficientNet-B7、EfficientNetV2-B0和MobileNetV3)显示出非单调的振荡趋势。
EfficientNet-B7在第二个时代的分类性能有所下降,表现为准确性降低和损失增加。这种变化是随机梯度下降动态的特点,因为模型正在适应由增强引入的扩展特征变异。然而,模型在第3个时代之后有了显著的提升,最终准确率达到了99%。EfficientNetV2-B0在第2个时代的性能有所下降,其特点是在准确率略有上升的同时损失也增加,这表明对类别边界的熵不确定性暂时增加。第3个时代之后,模型表现出改善,最终准确率达到了99%。同样,MobileNetV3在第2个时代的性能也有所下降,表现为准确率下降和损失增加。但是,在第3个时代之后也恢复了,最终准确率达到99.3.2. 测试期间的性能分析通过评估EBN分类模型在所有关键指标(精确度、召回率、F1分数和准确率)上的预测性能,定量评估了数据增强的有效性。这种评估涉及使用两种不同数据集对模型进行训练和测试:原始数据集以及原始数据集和增强数据集的组合,比较结果在表4和表5中呈现,从而突出了增强数据对模型泛化和分类效果的影响。表4. 使用原始EBN数据集的CNN模型的分类指标模型类别训练测试精确度召回率F1分数准确率精确度召回率F1分数准确率EfficientNetV2-B0AB1.001.001.001.001.001.001.000.99A-High1.001.001.000.961.000.98A-Wash1.001.001.001.001.00A-White1.001.001.001.001.00B1.001.001.001.001.00B31.001.001.001.001.001.00Tiao-A1.001.001.001.000.970.99Tiao-B1.001.001.001.001.00EfficientNetAB1.001.001.001.001.000.930.960.96-B7A-High1.001.001.001.000.930.96A-Wash1.001.001.000.921.000.96A-White1.001.001.001.000.900.95B1.001.001.000.900.980.94B31.001.001.001.000.920.96Tiao-A1.001.001.000.950.950.95Tiao-B1.001.001.000.951.000.97ResNet-50AB1.001.001.001.001.000.980.990.99A-High1.001.001.000.961.000.98A-Wash1.001.001.000.981.000.99A-White1.001.001.001.001.00B1.001.001.001.001.00B31.001.001.001.001.00Tiao-A1.001.001.000.950.97Tiao-B1.001.001.000.971.000.99Inception-v3AB1.001.001.001.001.000.930.960.97A-High1.001.001.001.000.930.96A-Wash1.001.001.001.001.00A-White1.001.001.000.930.950.94B1.001.001.000.980.980.98B31.001.001.000.921.000.96Tiao-A1.001.001.000.950.950.95Tiao-B1.001.001.000.931.000.96MobileNetV3AB1.001.001.001.000.951.000.980.96A-High1.001.001.000.930.960.95A-Wash1.001.001.000.920.960.94A-White1.001.001.001.000.950.97B1.001.001.000.930.910.92B31.001.001.001.001.00Tiao-A1.001.001.000.950.920.93Tiao-B1.001.001.000.970.99表5. 使用组合EBN数据集的CNN模型的分类指标模型类别训练测试精确度召回率F1分数准确率精确度召回率F1分数准确率EfficientNetV2-B0AB1.001.001.001.001.001.000.99A-High1.001.001.000.961.000.98A-Wash1.001.001.001.001.00A-White1.001.001.001.001.00B1.001.001.001.001.00B31.001.001.001.001.00Tiao-A1.001.001.000.970.99Tiao-B1.001.001.001.001.00EfficientNetAB1.001.001.001.001.000.99-B7A-High1.001.001.001.001.001.00A-Wash1.001.000.990.990.99A-White1.001.001.000.990.99B1.001.001.000.990.99B31.001.001.001.001.00Tiao-A1.001.001.000.991.00Tiao-B1.001.001.000.991.00ResNet-50AB1.001.001.001.000.990.980.990.99A-High1.001.001.000.961.000.98A-Wash1.001.001.000.981.000.99A-White1.001.001.001.000.990.99B1.001.001.001.000.980.99B31.001.001.001.001.00Tiao-A1.001.001.000.950.97Tiao-B1.001.001.000.971.000.99Inception-v3AB1.001.001.001.001.000.930.960.97A-High1.001.001.001.000.930.96A-Wash1.001.001.001.001.001.00A-White1.001.001.000.930.950.94B1.001.001.000.980.980.98B31.001.001.000.921.000.96Tiao-A1.001.001.000.950.950.95Tiao-B1.001.001.000.931.000.96MobileNetV3AB1.001.001.001.000.951.000.980.96A-High1.001.001.000.930.960.95A-Wash1.001.001.000.920.960.94A-White1.001.001.001.000.950.97B1.001.001.000.930.910.92B31.001.001.001.001.00Tiao-A1.001.001.000.950.920.93Tiao-B1.001.001.001.000.970.99表5显示了使用组合(原始和增强)EBN数据集的CNN模型的性能。与原始数据集的结果类似,所有五种架构的性能都非常接近完美,测试准确率都达到了99%。这一结果表明数据增强策略在稳定和最大化所有测试模型的泛化性能方面发挥了显著积极作用。所有评估模型的分类性能都非常出色,准确率非常高。特别是,MobileNetV3在大多数EBN等级上的F1分数很高,但在“A-Wash”和“A-White”等级上的F1分数略有下降。“A-Wash”等级含有大约15-25%的杂质,而“A-White”等级含有20-30%的杂质。这些高价值等级的分类可能受到颜色饱和度或杂质分布的微妙差异的影响。尽管ResNet-50的准确率达到了99%,但它对某些特定子等级的分类敏感性较高,表现为“A-High”和“Tiao-A”的F1分数较低。这一权衡通常是轻量级架构为了优先考虑计算效率而接受的。ResNet-50和EfficientNetV2-B0在这项专门的自动分级任务中提供了预测准确性和泛化能力的最佳平衡。这些架构在提取该领域内的细粒度形态特征方面表现得非常有效,优于我们比较分析中的其他模型。表5还展示了模型在原始和增强EBN数据集上的性能。根据结果,CNN模型在测试集上的泛化性能很强,测试准确率范围从96%到99%不等。ResNet-50和EfficientNetV2-B0成为表现最好的架构,两者都达到了99%的准确率,其次是Inception-v3(97%)和EfficientNet-B7以及MobileNetV3(96%)。这表明它们在提取和利用区分八个EBN商业等级所需? ??? ??? ? ??? ??? ?? ??? ??? ??? ????. ??, ??? ??? ??? ?? ??? ?? ?? ?? ??????? ???? ?????. Inception-v3? ???? ??? ????(97%? ???),???? ???? ??? ?? ????? ?? ??? ????? ?? ?????, ?? “A-White”? “Tiao-B”? F1 ??? ?? ??? ??? ??? ? ????. EfficientNet-B7? ?? ??? ?????(96%? ???), ??? ???? ? ?? ?? ??? ?????, ?? ?? ??? “B”? F1 ??? 0.94? ?????. ?? ??? ???? ???? ResNet-50?? EfficientNetV2-B0?? ?? ??? ??? ??? ?????? ? ??? ?????. MobileNetV3? ????? ?? ??? ?? ???? ?? ?? ???? ?????, ?? “B”(0.92)? “Tiao-A”(0.93)? F1 ??? ?? ??? ??????. ??? ??? ?? ???? ????? ??级 ?????? ?? ???????. ResNet-50? EfficientNetV2-B0? ? ??? ?? ?? ??? ?? ?? ???? ???? ??? ??? ?????. ??? ????? ?? ?? ??? ??? ??? ??? ???? ? ?? ???????, ??? ?? ???? ?? ???? ???? ??????.
3.3. ?? ?? (Confusion Matrix)
?? 7? ??? 5?? CNN ??? ?? ??? ?? ??? ????, 8?? EBN ?? ?? ?? ?? ??? ???? ??????. ???? EBN? ??? ??? ???? ? ?? ?? ???? ?????. MobileNetV3 ????? ?? ????? ???? 8?? EBN ??? ???? ??? ??? ????? ?????? (?? 7e). ?? ??? ????? ?? ??? ????, ?? ??? ??(A-High, A-Wash, A-White) ?? ?? ??? ??? ?????. ResNet-50? 8?? EBN ???? ??? ?? ??? ???? ?? ???? ?????. ?? ??, “A-White”? “A-Wash”? ?? ????? “A-High” ??? “Tiao-A”? ??????? (?? 7d). ??? ??? ????? ??? ?? ?? ?????, ????? ?? ???? ResNet-50? ??? ?? ??? ?? ??? ??? ????? ????? ?????.
????, ??? ???? ??? ???? ?? ??? ??? ??? ???, ?? ?? ???? ?? ?? ??? ??? ? ????. ???? ??? ?? ??, ?? ???? ?? ??? ??, ?? ?? ?? ?????. ? ??, ??? ?? ??? ??? ??? ?? ?? ???? ??? ? ??? ??? ? ????. ??? ??? ???? ?? ?? ??? ??? ???? ????? ? ??? ?
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号