图像识别，不仅仅有深度学习

Posted 2021-04-07 AI涌现

AI涌现编译

译者：王涛

【导  读】 深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、多媒体等诸多领域，特别是图像识别方向取得了巨大成功。深度学习与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到，而非采用手工设计。或许，完成深度学习任务需要建立大规模的训练数据集，这也限制了其在某些方面的应用。对于此问题，传统的机器学习方法提供了可能，最近一篇发表在《Nature》上的论文获得了更多关注。

【关键词】图像识别，深度学习，食品甲虫污染

食品污染对公共卫生和国家健康构成严重威胁，而害虫，如室内甲虫，常常在储藏或运输过程中找到食物，经常与食物污染和公共健康有重大关系。传统的方法靠人工来判断，或许人工智能技术在计算机视觉方向的巨大进步将使此工作变得更加方便，有可能提供更准确和有效的解决方案来检测它们在食品中的存在。

为了防止这种影响，食品安全法规被强制执行，食品需要被经常抽查，以保证消费者和环境的安全。最常见和广泛使用的食品检验方法包括受过高度训练的专业人员，他们用光学显微镜仔细分析害虫残留物（和其他外来物质）的食物样本；然后，它们将害虫片段的图案与参考图像相匹配，以识别害虫种类。这是相当艰巨的、耗时的，需要训练有素的专业人员。即使如此，正确识别物种往往具有挑战性，因为来自同一属别的害虫通常在图案和细微结构特征上具有相似的外观。

对于机器学习方法来说，通常首先通过分析多倍数的测试图像来提取特征以识别特定的模式或微结构，然后，再建立训练集分类器来识别相关物种。但在生态学的背景下，清晰完整的完整标本图像是容易获得的；而在食品中发现完整的害虫物种是罕见的，而且害虫的残留物由于食品加工的过程也变得零碎，这使得物种鉴定更具挑战性。

为此，美国密歇根大学弗林特分校工程物理学院的研究人员探讨了使用支持向量机（SVM）来进行粮食储存过程中害虫物种的识别。SVM模型对于处理线性和非线性数据都很突出，该论文选择了在非线性分类中广泛采用径向基函数（RBF）作为核函数来构建分类器。通过试验，平均精度达到85%，远高于以往的机器学习方法，达到深度学习的水平。该论文于近期刊登在了顶级期刊《Nature》上。