Идентификация древесины Cyclobalanopsis (Endl.) Oerst на основе микроскопических признаков и объяснимых моделей машинного обучения, усовершенствованных с помощью CTGAN

Введение: Точная и быстрая идентификация древесины на уровне вида имеет критическое значение для защиты и сохранения ресурсов древесных видов. Современные методы идентификации неэффективны, дороги и сложны. Методы: Предложена модель идентификации видов древесины, основанная на анатомии древесины и использующая геометрический набор данных о клетках древесины рода Cyclobalanopsis. Модель была усовершенствована с помощью алгоритма глубокого обучения CTGAN и использовала смоделированный набор данных геометрических признаков клеток. Модели машинного обучения BPNN и SVM были раздельно обучены для распознавания трех видов Cyclobalanopsis с использованием данных о смоделированных клетках сосудов и волокнах древесины. Результаты: При использовании набора данных о сосудах, сгенерированного CTGAN, модели SVM и BPNN достигли точности распознавания 96,4 и 99,6% соответственно на реальном наборе данных. При использовании набора данных о волокнах древесины, сгенерированного CTGAN, модели BPNN и SVM достигли точности распознавания 75,5 и 77,9% соответственно на реальном наборе данных. Обсуждение: Модели машинного обучения, обученные на данных геометрических признаков клеток, усовершенствованных с помощью CTGAN, продемонстрировали хорошие результаты распознавания Cyclobalanopsis; при этом модель SVM имела более высокую прогностическую точность, чем BPNN. Интерпретация моделей машинного обучения проводилась с использованием LIME для изучения того, как они идентифицируют виды деревьев на основе геометрических признаков клеток древесины. Предложенная модель может применяться для эффективной и экономичной идентификации видов древесины в промышленных целях.