机器视觉是人工智能除LLM外的另一个分支
一、传统机器学习模型
支持向量机(SVM)
应用案例：近红外光谱识别（6个特征波长输入，95.3%准确率）
优势：小样本表现优异，适合光谱数据
缺陷：依赖特征工程，需人工提取菌盖颜色、形状等特征
随机森林(RF)
应用案例：15特征（形态+颜色+纹理）分类，全特征建模最优
效果：预测精度超SVM，适合结构化特征数据
二、深度学习模型
基础CNN架构
典型表现：传统CNN在3,100张测试集上首图命中率48.7%
改进方案：降梯度卷积（扩大感受野），命中率提升至81.7%
经典网络改进
ResNet50：迁移学习+图像增强后，测试集平均识别时间0.985秒
EfficientNet：在49,958张自建数据集上，宏F值提升0.75%
MobileNetV2：配合权重衰减策略(YWeight)，top-1准确率提升0.87%
细粒度识别专用
双线性CNN：结合Inception-ResNet-v2，在菌盖纹理相似度>85%的数据集上，细粒度分类准确率超95%
Xception模型：迁移学习+多场景数据增强，野外复杂背景识别率达96.67%
轻量化模型
Micro V2：苹果M1 CPU训练142秒达88%准确率，模型体积仅3.5MB
ShuffleNetV2：在8,375张增强数据上，识别速度较VGG16提升3倍