人工智能时代的植物标本:从标本图像识别到整合分类学人工智能

《Journal of Plant Research》:Herbarium specimens in the age of artificial intelligence: from herbarium image identification to Integrative Taxonomic AI

【字体: 大 中 小 】 时间:2026年08月27日 来源:Journal of Plant Research 2.2

编辑推荐:

  植物标本是物理的、可验证的记录,构成分类学知识和生物多样性研究的基础。其大规模数字化产生了大量高分辨率图像和相关标本元数据,为人工智能(AI)在植物分类学、标本管理和生态研究中发挥重要作用创造了条件。早期AI应用主要集中在基于单个标本图像的自动物种识别。尽管日

  
植物标本是物理的、可验证的记录,构成分类学知识和生物多样性研究的基础。其大规模数字化产生了大量高分辨率图像和相关标本元数据,为人工智能(AI)在植物分类学、标本管理和生态研究中发挥重要作用创造了条件。早期AI应用主要集中在基于单个标本图像的自动物种识别。尽管日益准确,这些方法仍受限于对单标本标签预测的强调,并将识别输出视为最终分析决策。最近的方法学进展——包括基于分割的预处理、自动性状提取、标签数据的结构化提取、检测可能误识别的标本,以及视觉、文本和遗传信息的多模态整合——将AI应用从物种识别扩展到更广泛的分析框架,涵盖分类学解释以及生态和生物多样性研究。在这些方法中,标本被置于共享的分析空间中,识别结果用于支持多个标本之间的比较,而非作为单个个体的最终决策。这种多标本视角使得对物种边界、形态变异、数据不一致性以及馆藏标本中分类稳定性的定量检查成为可能。在此背景下,AI并非作为最终决策者,而是作为嵌入专家指导工作流程和生物多样性知识基础设施中的决策支持工具。这些发展可总结为整合分类学人工智能(Integrative Taxonomic AI),这是一种通过整合多模态证据和专家指导下的馆藏标本数据,利用学习到的形态空间来解读和细化分类类别的方法。
**论文解读文章**

**研究背景与问题**
植物标本是分类学知识和生物多样性研究的物理基础,自16世纪卢卡·吉尼(Luca Ghini)发明标本制作格式以来,标本已成为植物研究的关键材料。全球约3800个标本馆收藏了近4亿份标本,但传统分类学方法面临鉴定效率低、标本积压和专家短缺等问题。自1999年全球生物多样性信息机构(GBIF)成立以来,大规模数字化产生了海量高分辨率图像和元数据,为人工智能(AI)的应用创造了条件。早期AI研究集中于基于单标本图像的自动物种识别,但这种方法局限于单一标签预测,并将识别结果视为最终决策,忽略了标本间的比较和整合。因此,研究人员旨在开发更广泛的AI框架,将识别视为决策支持工具,以促进分类学解释和生物多样性研究。

**研究内容与结论**
研究人员回顾了AI在数字化标本中的应用进展,包括自动分类、分割预处理、性状提取、标签提取和多模态整合。通过分析现有研究,他们提出“整合分类学人工智能”(Integrative Taxonomic AI)的概念,强调AI应嵌入专家指导的工作流程中,通过共享表征空间(morphospace)支持多标本比较和分类学推断。研究发表在《Journal of Plant Research》,表明AI从单一识别任务转向整合多模态证据的决策支持系统,提升分类学的客观性和效率。

**关键技术方法**
研究采用深度学习方法,包括卷积神经网络(CNN)和视觉变换器(ViT)用于分类,分割模型(如U-Net)用于去除非植物信息,光学字符识别(OCR)和手写文本识别(HTR)用于标签提取,以及多模态融合技术整合图像、文本和遗传数据。样本队列来源包括Herbarium 2019、2020、2021和2022数据集,以及亚洲地区如中国数字植物标本馆(CVH)的数字化标本,但具体操作步骤被省略。

**研究结果**
- **自动植物图像分类进展**:通过ImageCLEF等竞赛,图像输入从控制叶片扫描发展到自然多器官场景,模型采用CNN和ViT架构,但低分辨率输入限制细粒度特征提取。
- **标本图像自动识别系统**:研究表明,分割预处理和文本模糊可提高泛化能力,但数据质量和不平衡分布仍是挑战。Herbarium挑战赛数据集(如NAFlora-1M)推动了大规模验证,但分类性能受形态复杂性和数据长尾分布影响。
- **亚洲数字化现状**:亚洲仅占全球数字化标本的8.78%,且数字化率低,促使区域特定模型的发展,如针对韩国和日本标本的研究。
- **分割预处理**:通过像素级分割去除标签和背景,增强模型对植物结构的关注,但分割质量影响效果,对细长器官表现不稳定。
- **性状自动提取**:用于物候研究,如威廉森等人(2025)分析800万图像,揭示全球花期提前;李夫玛奇2(LeafMachine2)提取叶性状,支持生态和进化分析。
- **标签信息提取**:采用多级流水线,结合OCR和LLM(如ChatGPT-4)结构化元数据,但手写文本识别仍有局限。
- **多模态方法**:整合图像和遗传序列(如DNA条形码)或生态元数据,提高分类准确率,如应用于菊科、禾本科等复杂类群,但计算复杂度和可解释性挑战存在。
- **分类学、馆藏和知识基础设施意义**:通过共享表征空间,AI辅助物种边界检查和异常检测,支持专家决策,但专家判断仍不可或缺。

**讨论与结论**
讨论部分强调,AI输出不应视为最终决定,而是中间证据,支持多标本比较和分类学推理。结论指出,物理标本作为训练和验证AI的基础仍不可替代,整合分类学AI通过学习表征空间、馆藏数据和专家判断,重组计算与人类解释的关系,增强而非取代分类学专业知识。总之,AI在植物标本研究中从自动识别转向整合分析,为生物多样性研究提供新工具,但专家监督和验证仍为核心。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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