Improving Automated Mushroom Classification Standards Using Fully Supervised Learning Techniques

يُعدّ التصنيف الدقيق للفطر الصالح للأكل والسام مهمًا للوقاية من التسمم العرضي. ومع ذلك، فإن التحديد البصري للفطر على مستوى الجنس أمرٌ صعب. تبحث الدراسة الحالية في تطوير نظام متكامل لتصنيف الفطر الآلي باستخدام مجموعة بيانات صور الفطر المجمعة (CI-KMI). تم استخدام أربع بنيات عميقة لاستخراج الميزات، وهي ConvNeXt-Base، وVision Transformer (ViT-B/16)، وSwin Transformer، وEfficientNet-B3. تم تعيين مهمة التصنيف إلى SVM مع النوى RBF والنوى الخطية وRandom Forest وXGBoost وKNN عبر التعلم الآلي التقليدي. تم تقييم الأداء من خلال الدقة والضبط والاستدعاء ومقياس F1 ومنحنى ROC-AUC ومصفوفة الارتباك. أظهرت النتائج أن نموذج Swin Transformer + XGBoost كان الأفضل بنسبة دقة 97.3%، مما يؤكد أن النماذج المدمجة مع الخوارزميات تؤدي إلى تحسين الأداء في مهام التصنيف. يُتيح هذا البحث في نهاية المطاف للدراسات المستقبلية توجيه الجهود نحو التقنيات الهجينة، ويربط هذا النهج متعدد التخصصات بين الذكاء الاصطناعي وعلوم الحياة، موفرًا أداة فعالة لتحديد الفطريات بدقة في أبحاث الأحياء الدقيقة والتنوع البيولوجي.