《Food Science & Nutrition》：A CNN-Based Deep Learning Architecture for Discriminating Botanical Adulteration and Complexities Among Commercial Apiaceae Medicinal Species
编辑推荐：
这篇综述系统地介绍了卷积神经网络（CNN）在伞形科（Apiaceae）重要药用植物种子精确鉴定与掺假检测中的应用。研究者评估了六种主流CNN模型（VGG16、EfficientNetB0、MobileNetV2、DenseNet121、ResNet50、InceptionV3），发现DenseNet121凭借其密集连接架构，在区分15个形态高度相似的物种时表现出最优的测试准确率（97.3%）和泛化能力。研究证明了高分辨率输入对提升模型区分细微形态差异（如毒参Conium maculatum与茴香Foeniculum vulgare）至关重要，为保障药材供应链安全、防止经济欺诈和消费者健康风险提供了高效、可扩展的自动化解决方案。
引言：数字时代下的植物鉴定挑战与机遇
现代农业与相关的食品-药用供应链正在经历深刻的数字化变革。人工智能（AI）与机器学习（ML）的集成已不再是一个未来概念，而是实现价值链更高效率、可追溯性和可持续性的实际需求。其中，卷积神经网络（CNN）已成为这一转变的核心推动者，能够对从无人机、卫星、智能手机和在线质量控制摄像头捕获的复杂视觉数据进行精确、自动化分析。与传统统计模型不同，CNN能够自主提取多尺度特征，从而消除人为偏见和主观性，实现实时决策。
在种子产业，CNN最近已成为基于种子的检测技术的关键工具。例如，混合CNN-Transformer和基于注意力的模型在水稻分类中表现出色，准确率超过99%。从芥末的1D模型到玉米的3D网络等多种CNN实现，已在性状分析和活力评估中被证明是成功的。这些成就凸显了基于图像的深度学习在工业环境中对重要经济植物商品进行高通量、无损认证的巨大潜力。
然而，应用CNN来鉴定植物材料（尤其是种子）的另一迫切原因，在于传统植物学方法固有的诸多挑战：这些方法劳动密集、需要专业知识，并且在面对微小、形态相似的类群时常常失败。这些挑战在伞形科（Apiaceae）家族中尤为突出，其显著的形态重叠使得需要使用复杂的植物化学和分子技术来进行精确分类。例如，毒参（Conium maculatumL.）与商业茴香（Foeniculum vulgareMill.）形态相似，但前者含有强效神经毒素，曾导致中毒事件。此外，经济掺假也频繁发生；例如，昂贵的黑孜然（Bunium persicum）常与普通孜然（Cuminum cyminum）混合，而茴香则常被莳萝（Anethum graveolens）、洋茴香（Pimpinella anisum）或孜然掺假以降低成本。这些行为危及食品安全、消费者健康和国际贸易诚信，凸显了对快速、可靠、可扩展的认证技术的迫切需求。
材料与方法
种子样本与图像制备
本研究的种子材料由伊朗生物资源中心（IBRC）的专家制备。为捕获种子样本的高质量图像，研究使用了配备超级微距模式的远摄相机，该相机具有5MP S5K5E9 1/5英寸传感器、1.12 μm像素、50 mm f/2.4镜头、3至7 cm自动对焦和2倍光学变焦。采用黑色背景以增强图像制备过程中的对比度。为了确保数据集的全面性，每个单粒种子的背腹面均被拍摄。每个物种制备了200张图像，总计3000张图像。所有图像在输入模型前都经过统一的数据预处理和增强流程，包括像素值重新缩放到[0, 1]范围，以及随机旋转（±20°）、水平翻转、缩放（0.8×–1.2×）、空间平移（高达10%）和亮度/对比度调整等数据增强操作。
卷积神经网络
本研究采用了六种标准的卷积神经网络（CNN），包括轻量级模型——EfficientNetB0和MobileNetV2，以及重量级模型——VGG16、ResNet50、DenseNet121和InceptionV3，以评估和比较它们在图像分类中的性能。所有网络采用一个共同的迁移学习框架：加载每个模型的ImageNet预训练卷积主干（特征提取层）并初始冻结，以保留从大规模自然图像中学到的通用低层和中层视觉特征。在每个主干之上，附加了一个相同的分类头，包括一个全局平均池化（GAP）层、两个具有256和128个神经元的全连接层、一个丢弃率为0.5的Dropout层，以及一个具有15个单元（对应15个种子物种）的最终Softmax输出层。训练使用Adam优化器，学习率为0.001，并采用早停法防止过拟合。数据集被分为80%训练集和20%验证集，并单独保留一个测试集用于最终评估。性能通过训练和验证准确率与损失、精确率、召回率、F1分数、训练时间和GPU资源消耗来量化。
结果与讨论
模型架构、图像尺寸与批次大小
分类性能最具影响力的因素之一是模型架构的选择。例如，拥有约1.38亿参数的VGG16模型，在分辨率为224 × 224、批次大小为32的图像上训练时，达到了94.2%的测试准确率（测试损失 = 21.6%）。然而，在相同批次配置但使用64 × 64输入时，其准确率显著下降至77.0%（测试损失 = 76.6%）。这种显著的性能差异与先前研究结果一致，表明更大的图像尺寸能产生更好的结果。从计算机视觉的角度看，更高分辨率允许更准确地提取视觉模式并减少中间特征损失。
相比之下，仅有800万参数的DenseNet121，使用224 × 224图像和批次大小32，取得了令人印象深刻的97.3%准确率（测试损失 = 8.3%）。该架构在模型复杂性和性能之间表现出卓越的平衡，有效缓解了过拟合并确保了在测试集上的稳健泛化。同时，尽管EfficientNetB0具有优化的复合缩放和仅约530万个参数，但表现非常差：其在64 × 64分辨率下的准确率仅为12.3%（测试损失≈270.8%），在224 × 224分辨率下为7.0%（损失相同）。这种意外的失败表明存在泛化问题而非模型容量问题。EfficientNet通常是一流的模型，但其在此处的糟糕结果表明其对领域转移（预训练数据中的自然场景与我们特定的、具有黑色背景的种子宏观图像之间的差异）高度敏感。
与此同时，拥有340万个参数和反向残差块的MobileNetV2，在准确率和效率之间取得了有效平衡。在224 × 224分辨率和批次大小32下，其达到93.0%准确率（测试损失 = 21.9%），当批次大小增加到64时，准确率提高至95.2%（测试损失 = 13.5%），同时显著减少了训练时间，并且仅消耗17至35 MB的GPU内存。相比之下，拥有2560万个参数和残差块的ResNet50表现平均（在64 × 64、批次大小32下准确率为32.1%，在224 × 224、批次大小64下增加至41.4%），并且产生了较高的计算成本（高达2183秒的训练时间和296 MB的GPU内存使用量），反映了其复杂性以及对实时应用的有限适用性。
此外，具有多分支模块和2390万个参数的InceptionV3模型，在299 × 299分辨率、批次大小32下达到了95.1%的准确率（测试损失 = 0.130），但在75 × 75分辨率下，其准确率下降至73.1%（测试损失 = 1.155）。这一趋势证实了该模型对更高分辨率输入以获得最佳性能的依赖性。
批次大小优化也至关重要。在本研究中，批次大小32通常比批次大小64产生更好的结果，特别是在较重模型中，较小的批次可以起到正则化的作用，帮助模型逃离尖锐的最小值，从而改善泛化。然而，最佳批次大小可能因具体应用和数据集而异。
总之，结果清楚地表明，增加输入图像分辨率能持续提高模型性能。这种更高的准确率对于检测指示掺假的甚至微小的形态差异至关重要，从而直接加强了食品安全监测和消费者保护。此外，批次大小优化仍然是模型训练的一个关键方面。当适当调整时，最佳批次大小不仅能提高准确率，还能缩短推理时间，实现海关和行业检查点的快速现场筛查——这是维持贸易诚信和防止误标或欺诈产品流通的基本要求。
混淆矩阵分析
为了评估分类性能并识别伞形科物种间特定的误分类模式，为所有实验场景生成了混淆矩阵。虽然总体准确率指标提供了性能概览，但混淆矩阵提供了模型区分形态相似物种能力的细粒度视图。对矩阵的系统分析表明，提高图像分辨率是减少类间混淆的最关键因素。例如，在64 × 64像素的较低分辨率下，MobileNetV2模型在莳萝（Anethum graveolens）与其他七种视觉相似的物种之间表现出显著的混淆。然而，将输入升级到224 × 224像素完全消除了这些假阳性，使模型能够无误地区分这些物种。DenseNet121模型也观察到类似的趋势：低分辨率输入导致葛缕子（Carum carvi）与多个其他类群之间的大量混淆。相反，高分辨率输入使模型能够准确区分这些物种。
尽管分辨率提高带来普遍改善，但架构差异也起了重要作用。虽然MobileNetV2和DenseNet121实现了近乎完美的分离，但ResNet50模型在完全区分物种方面仍有困难，在较高分辨率下仅显示出边际改善。此外，EfficientNetB0模型被证明不适用于此特定数据集，在所有测试参数下都无法有效区分物种。
观察到的误分类，特别是在较低分辨率下，是有生物学依据的。所有研究的种子都属于伞形科，并共享典型的双悬果结构，导致高度的形态和微形态相似性。这种相似性是商业市场中误认和欺诈的主要驱动因素。高分辨率模型的卓越性能表明，区分这些隐蔽物种需要提取细粒度特征——例如细微的纹理变化、条纹图案和表面突起——这些特征在降采样图像中会丢失。
总之，混淆矩阵是评估分类模型的重要工具。它们使研究人员能够找出模型在区分视觉相似物种能力方面的弱点。至关重要的是，每个误分类单元格都映射到一个具体的食品安全或贸易诚信风险：将有毒物种误标为可食用会危及消费者健康，而用廉价的相似物替代高价值香料则构成经济欺诈。从这些矩阵中获得的见解可以指导更好的特征提取策略，例如架构调整、输入分辨率选择和批次大小调整。通过系统地降低混淆矩阵中突出的错误率，所提出的CNN框架有助于促进法规遵从、防止掺假并保障供应链透明度。
学习动态分析
分析模型在训练期间的学习动态对于准确评估深度学习模型（特别是广泛用于图像处理的卷积神经网络）的训练过程至关重要。为特定计算机视觉任务选择最佳的CNN架构，需要的不仅仅是评估最终性能指标。跨训练周期绘制的准确率和损失曲线为了解模型的学习动态、在训练和验证数据上的行为、稳定性、收敛速度、泛化能力以及对过拟合或欠拟合等不良现象的敏感性提供了宝贵的见解。
鉴于更高分辨率和批次大小32在大多数模型中能持续带来最佳性能、稳定性和计算效率，因此在最佳条件下进行了准确率和损失图的分析。目的是全面评估这些模型如何学习，突出它们在此特定应用上下文中的内在优势和劣势，从而为未来研究中的模型选择提供指导。
高性能模型
DenseNet121、MobileNetV2、InceptionV3和VGG16表现出有效且稳定的学习行为，从而产生了强大的验证和测试性能。然而，对其学习曲线的详细检查揭示了它们优化动态的显著差异。
DenseNet121表现出色，具有快速且平滑的收敛特性。在前25个周期内，验证准确率飙升，损失急剧下降。随后在周期60-80之间出现明确的平台期，最终验证准确率达到约97%，验证损失降至约7%。值得注意的是，训练曲线和验证曲线之间的差距始终保持较小，表明过拟合非常轻微且泛化能力高。这种行为与DenseNet中密集连接的架构原理一致。
MobileNetV2同样取得了强劲的结果，具有非常快速的早期学习阶段。训练准确率迅速接近100%，验证准确率达到约92%。虽然训练-验证差距比DenseNet121略大，但仍在可控范围内。这些动态反映了MobileNetV2的轻量级设计。
InceptionV3表现出更稳健的收敛模式，实现了高效的学习动态，在周期87达到峰值性能。训练准确率达到99.8%，验证准确率稳定在约93.5%左右，损失极小。该模型显示出快速收敛并在整个过程中保持稳定，这与其多尺度特征提取设计一致，能高效处理空间层次结构。
最后，VGG16展示了一个成功但较慢的学习过程。在前30个周期，验证准确率超过了训练准确率——这可能是由于其经典深度架构中嵌入的如dropout等强大正则化技术的结果。该模型在周期80-90之间逐渐收敛，最终训练和验证准确率分别为93.9%和93%。狭窄的训练-验证差距表明过拟合最小。
表现不佳的模型
相比之下，EfficientNetB0和ResNet50在这些实验中表现不佳，它们的学习曲线清楚地反映了这种失败。
EfficientNetB0呈现了一个经典的学习完全失败和严重欠拟合的案例。训练和验证准确率在所有100个周期内都保持在极低水平，与随机猜测相当。损失极高且没有有意义地下降。训练准确率曲线高度不稳定，表明优化过程存在严重不稳定性。训练和验证曲线之间没有观察到显著差距，这并非表明过拟合，而是突出了模型甚至无法从训练数据中学习到任何有意义模式的问题。
同样，ResNet50表现出不尽人意的性能，尽管没有EfficientNetB0那么差。学习曲线表明存在显著的欠拟合和不完整的学习过程。最终训练准确率仅达到约41.8%，验证准确率为40.5%，测试准确率为36.8%。损失仍然很高。观察到一个特别不寻常的模式：验证准确率持续超过训练准确率，并且验证损失在大部分训练时间内都低于训练损失。尽管如此，整体性能远低于对此类成熟架构的预期。即使在100个周期后，缺乏收敛平台表明模型要么需要显著更多的训练，要么其超参数设置欠佳。
结论
这项研究展示了一个基于CNN的深度学习框架，能够自动化准确认证来自15个具有商业重要性的伞形科药用植物的双悬果种子。在评估的六种CNN模型中，DenseNet121在准确率、精确率、召回率、F1分数和收敛稳定性方面表现出卓越性能，其次是MobileNetV2、InceptionV3和VGG16。高分辨率输入显著改善了对形态相似种子的区分，而批次大小的影响最小。EfficientNetB0和ResNet50表现不佳。t-SNE可视化证实了DenseNet121卓越的特征学习能力，实现了所有15个物种的清晰分离。这些发现强调了CNN作为可扩展工具的潜力，可用于植物学认证——特别是利用种子数字形态测量特征检测掺假和物种复杂性——以保障公共健康和加强供应链安全。
