花粉形态学鉴定作为植物分类学、古气候重建及生态监测等领域的重要技术手段，其标准化与自动化进程受制于传统显微法的固有局限，即存在形态特征量化困难、鉴定耗时且极度依赖专家经验等问题。为此，南京林业大学生命科学学院与中国科学院植物研究所团队在Plants期刊发表了题为AIpollen: An Analytic Website for Pollen Identification Through Convolutional Neural Networks的研究论文。该研究利用深度学习技术，训练数据集涵盖了36个不同属的花粉图像数据。经过203个训练周期，模型在测试集上达到97.01%的准确率，并以该模型为核心开发了AIPollen网站 (http://aipollen.top/)，为研究人员提供了一个便捷的花粉图像识别平台。

研究过程与结果

本研究旨在开发一个基于深度学习的自动化花粉识别系统AIpollen，通过残差网络实现高精度分类。研究团队首先构建了包含36个不同属类、总计12,039张预处理图像的数据集，这些图像主要来源于专业书籍和电子显微镜图像 (SEM/TEM)，并经过严格的标准化处理。考虑到花粉在显微镜下通常呈现灰度特征，所有图像均被转换为灰度格式以消除颜色干扰，随后进行锐化、对比度增强和随机旋转等预处理。为增强模型鲁棒性，研究还采用了随机遮挡策略，模拟实际观察中可能存在的花粉结构缺陷，最终通过数据扩增技术使每类样本量达到360~400张，有效缓解了数据不平衡的问题。

在模型架构选择上，研究采用了ResNet34网络并进行了针对性改进。该模型在2015年ImageNet竞赛中以3.5%的错误率脱颖而出，其核心创新在于残差连接和层归一化技术，能有效解决深度网络中的梯度消失问题。值得注意的是，将传统ReLU激活函数替换为ELU (指数线性单元) 后，模型准确率从92%显著提升至97%，这得益于ELU对负值区间的平滑处理能更好地保留梯度信息。训练过程中采用Adam优化器，其结合动量法和RMSProp算法的优势，通过自适应调整参数更新步长实现快速稳定收敛。损失函数选用交叉熵损失，通过softmax转换和负对数似然计算，有效强化模型对错误分类的惩罚机制。

模型评估采用五折交叉验证，平均验证准确率达96.25%，各折表现稳定在95%~98.33%之间，证明模型具有良好的泛化能力。最终测试集准确率为97.01%，训练集达99.89%，F1分数95.9%，ROC曲线下面积99.96%，各项指标均显示模型在保持高精度的同时具备优秀的类别平衡性。特别是真阳性率 (TPR) 和真阴性率 (TNR) 在各属类间表现均衡，如图B所示，表明模型未出现明显的分类偏好。研究团队进一步开发了用户友好的网页平台 (https://www.aipollen.top)，用户可直接上传花粉图像获取实时分类结果。

研究总结

本研究开发了基于改进ResNet34架构的花粉智能识别系统AIpollen (https://www.aipollen.top)，实现了高效精准的花粉分类。研究通过构建包含36个属的12,039张标准化灰度图像的数据集，采用ELU激活函数替代传统ReLU，结合动态学习率调度和综合数据增强技术，使模型在五折交叉验证中达到96.25%的平均准确率，最终测试集表现达97.01%的识别精度，各项评估指标 (F1=95.9%、AUC 99.96%) 证明系统兼具高灵敏度与稳定性。该成果为古生态学研究、过敏原检测、农业监测、油气资源评估等领域提供快速、精准的属级水平的花粉种类鉴定服务。 

作者介绍  

南京林业大学生命科学学院本科生俞星辰、硕士研究生许祯琇，中国科学院植物研究所博士研究生赵佳文为本文第一作者。南京林业大学生命科学学院郭仲龙副教授为本文通讯作者。南京林业大学生命科学学院硕士研究生魏君戎、王琦，北京大学生命科学学院沈凤博士，中国科学院植物研究所杨效曾研究员亦为本项目做出重要贡献。本文得到南京林业大学科研启动经费的支持。

阅读英文原文：https://www.mdpi.com/3028980

期刊主页：https://www.mdpi.com/journal/plants

Plants 期刊介绍

主编：Dilantha Fernando, University of Manitoba, Canada

期刊内容主要涉植物科学领域的研究，目前已被SCIE、Scopus等数据库收录。

2023 Impact Factor：4.0

2023 CiteScore：6.5

Time to First Decision：18.9 Days

Acceptance to Publication：2.4 Days