人工智能辅助科学家对昆虫等微小生物分类，准确度可达91。4

　　作者/雪松
　　在生物多样性逐步减少的今天，科学家亟须对未命名生物进行编码分类。昆虫等无脊椎动物在未命名的900万物种中的生物量占比可达90%以上，然而科学家对无脊椎动物多样性的探索现状，可谓沧海一粟。
　　该工作的主要障碍在于：昆虫样本形态较小、种类复杂且数量庞大；传统分拣技术需要基于形态学的手动处理，速度太慢；基于元数据库编码的分子技术难以获得可靠的丰度信息。
　　因此，德国研究人员设计了一个对小样本进行全自动筛选分类的机器人。实验结果表明，基于一个初步的神经网络，该机器人对各类昆虫分类的平均精度为91.4%（75-100%）；随着更多的图像被用于训练，该神经网络预测精度将进一步提高。在未来，该技术将提高微小生物分类编码工作的分类精度，缩短分类时间，极大提高工作效率。
　　文章以「DiversityScanner: Robotic discovery of small invertebrates with machine learning methods」为题，于2021年5月17日发表在biorxiv预印本平台。
　　该文详细报道了一种快速准确的昆虫分类机器人。该机器人配备了两个带有定制镜头的高分辨率镜头、合适的LED照明和图像识别软件。此外，还安装了基于吸泵的运输系统，可将检测到的昆虫转移到标准96孔微板中。首先，机器人对小样本进行排序；然后，使用卷积神经网络（ convolutional neural nets，CNN）对混合样本进行检测，并对每一个样本进行单独拍照分析；最后将每个样本移动到96孔微板中，进行DNA测序；测序结果与前面的照片相对应，生成新的DNA条形码（DNA barcod）。
　　图1：昆虫分拣机器人（The insect sorting robot ）。（来源：论文）
　　机器人系统可分为：运输系统、图像采集系统和图像处理系统三部分。
　　运输系统 主体是一个三轴机器人，用于将昆虫从培养皿转移到微孔板，并安置摄像机拍摄单个样本的详细视图。机器人x轴和y轴的水平运输由LEZ1线性驱动器（Isel AG, Eichenzell, Germany）驱动；这两个线性驱动器均由高精度步进电机驱动，具有良好的定位精度。z轴由带步进电机的AR42H50主轴驱动器（Nanotec Electronic GmbH & Co. KG, Feldkirchen, Germany）驱动，实现上下运输。同时三个轴都由一个TMCM-3110电机控制器（Trinamic, Hamburg, Germany）控制，最终实现精确、快速、平滑的轴上运动。
　　运输系统由 Raspberry Pi （Raspberry Pi single-board computer）控制；该程序由Python软件编程，是专门为分拣机器人开发的。为了从培养皿中分拣昆虫并把它们放入96孔微板中，运输系统一个带吸液管尖端的吸力软管；软管连接到LA100注射泵，也由Raspberry Pi控制。
　　图2：机器人分类和排序流程图。（来源:论文）
　　图像采集 主要依靠运输系统安装的两个具有不同镜头的摄像机：概览摄像机和详视摄像机。
　　概览摄像机是XimeaMQ042CG-CM相机，带有CK12M1628S211镜头（Lensation GmbH, Karlsruhe, Germany），焦距为16毫米，孔径为2.8，位于放置昆虫的培养皿的正上方，负责拍摄所有昆虫的概述图像（如图3所示）。
　　图3：概览摄像机拍摄图像及分析图像。（来源：论文）
　　详视摄像机是一部XimeaMQ013CG-E2相机，配备远程中心TCST-10-40镜头，可放大1倍。该摄影机由机器人控制，可沿x和y轴移动到昆虫位置上方，对昆虫拍摄详细的图像，以便测量昆虫的各种细节（如图4所示）。
　　图4：详视摄像机拍摄图像及分析图像。（来源:论文）
　　图像处理 使用了三种不同的软件算法：第一个算法确定每个物体在培养皿中的位置；第二种是测量每只昆虫各部分的长度和体积；第三种算法基于人工神经网络将昆虫分为不同的种类。
　　确定昆虫位置 培养皿内主要是昆虫，也可能有昆虫碎片或其他物体。在拍摄概述图像之后，执行各种图像处理操作来检测对象：首先，用中值滤波器去除图像中的噪声；然后，将RGB图像转化为灰度图像；接着，用自适应阈值滤波器分离对象；最后，用轮廓查找器识别所有对象的边界，并对其进行颜色编码。（如图3所示）
　　昆虫的识别分类 为了识别不同种类的昆虫和未知样本，机器人应用了基于CNN的机器学习算法。主要对详视摄像机拍摄的图像进行分析处理，测量昆虫各部分的长度与体积（如图4所示），处理分析昆虫热像（如图5所示）。同时利用这类图像进行机器学习，不断完善机器人的分类处理能力。
　　图5：四种不同昆虫类的热图。（来源:论文）
　　分类准确度可达91.4% 目前该团队的分拣机器人可以分拣3毫米长的移液虫昆虫，体型较大的昆虫不适合通过吸虫分拣。该算法可以将检测到的昆虫分为14种不同种类。机器人对于膜翅目夜蛾科和半翅目叶蝉科的昆虫分类效果最好，所有分类均正确（100%）；而双翅目夜蛾科昆虫分类正确率较低（75%）。该现象可能与算法所学习数据库的内容偏好有关。
　　该团队将继续更新生物分类识别技术，其愿景是通过人工智能代替人类完成对各类未知生物的分类编码工作。
　　论文链接：https://www.biorxiv.org/content/10.1101/2021.05.17.444523v2
　　参考内容：https://www.sciencemag.org/news/2021/06/artificial-intelligence-could-help-biologists-classify-world-s-tiny-creatures