Библиографическое описание:Идентификация представителей рода Pulsatilla (Ranunculaceae) и их гибридов при помощи сверточных нейронных сетей : научное издание / В. Ф. Зайков, М. Г. Куцев, З. В. Тихомирова, Д. Ю. Козлов. - Текст : непосредственный // Turczaninowia. - 2025. - Т. 28, № 3. - С. 96-105. - Исследование выполнено по Программе развития Алтайского государственного университета на 2021-2030 годы в рамках реализации программы стратегического академического лидерства «Приоритет 2030» - проект «ДНК-маркеры хозяйственно ценных, редких и исчезающих видов растений» - В. Ф. Зайков. - ISSN 1560-7259. - ISSN 1560-7267, DOI 10.14258/turczaninowia.28.3.10.
Аннотация:Наличие ограниченного количества надежных морфологических признаков и высокий уровень межвидовой гибридизации у представителей рода Pulsatila Mill. затрудняет их идентификацию. В настоящем исследовании авторами предпринята успешная попытка определения гибридов с привлечением различных инструментов искусственного интеллекта. В качестве исходных данных были использованы по 50 изображений пластинки прикорневых листьев видов P. multifida, P. turczaninovii и 8 для гибридных растений. Был применен устоявшийся в компьютерном зрении подход к решению задачи классификации с помощью предобученных сверточных нейронных сетей. Сначала доучивались классификаторы на основе модели ResNet50, F1-score для которых составил 0,99. Затем было показано, что такие инструменты как Google Teachable Machine (ТМ) и Personal Image Classifier (PIC) могут использоваться для быстрого прототипирования подобных решений, практически не требуя знаний технологий искусственного интеллекта и навыков программирования. Все тестовые образцы P. turczaninovii и P. multifida были классифицированы верно.
The presence of a limited number of reliable morphological features and a high level of interspecific hybridization in representatives of the genus Pulsatilla Mill. complicates their identification. In this study, the authors made a successful attempt to identify hybrids using various artificial intelligence tools. The initial data included 50 images of basal leaf blades for P. multifida, P. turczaninovii, and 8 for hybrid plants. An established computer vision approach to solving the classification problem using pre-trained convolutional neural networks was applied. First, classifiers based on the ResNet50 model were trained, the F1-score for which was 0.99. Then, it was shown that tools such as Google Teachable Machine (TM) and Personal Image Classifier (PIC) can be used for rapid prototyping of such solutions with virtually no knowledge of artificial intelligence technologies and programming skills. All test samples of P. turczaninovii and P. multifida were classified correctly.
