基于Tabnet的蘑菇毒性識別與應用

Application TabNet in Toxicity Identification of Mushrooms

LIU Ning123， LI Shu14， SHAO Changsheng13， WANG Qi^1，4 ， HUANG Qing3*

（1.Hefei Mushroom Vally Innovation Research Institute，Hefei 23ooo， China; 2.CollgeofMaterials and Chemistry，AnhuiAgriculturalUniversity，Hefei23o36，China;3.InstituteofInteligentMachines，Hefei InstitutesofyicalScience，ChineseAcademyofSciences，Hefei230o31，China; 4.EngineeringResearch CenterofChineseMinistryof Education for Edible and Medicinal Fungi， Jilin Agricultural University， Changchun 130l18， China）

Abstract： Mushroom poisoning is one of the significant challenges in the field of food safety， and traditional identification methods rely on expert experience or complex chemical analysis，limiting their eficiency and accuracy. In this study， the TabNet model was introduced and used to take advantage of its adaptive feature selection and end-to-end training，and the TabNet model wasconstructed and trained based on the mushroom dataset publishedby the UniversityofCalifornia.At the same time，thecharacteristic analysis further revealed hat odor was a reference value with higher discrimination，and the accuracy of toxicity discrimination was improved by combiningthe characteristics such as spore printing color.In adition，an online toxicity detection system based on TabNet is developed，which alows users to realize seamless connection of toxicity discrimination by inputting features，and realizes real-time toxicity discrimination.A variety of mushrooms were verified with anaccuracyrate of over 98% ，demonstrating the wide applicability of the model to the toxicity of mushrooms in different regions. The system can quickly and accurately analyze and report the toxicitystatus of mushrooms， which further enhances the practical application value of the model.

Keywords： artificial intelligence; classification system; TabNet; poisonous mushrooms; smel; online system

蘑菇是一種廣泛存在于自然界中的真菌，在食品與醫藥領域具有重要價值，但部分毒蘑菇與可食用蘑菇形態相似，易引發誤采誤食，對人們生命安全構成嚴重威脅。中國疾控中心2023年的統計數據顯示，全國24個省（自治區、直轄市）共報告了505起因食用蘑菇導致的中毒事件，共計影響1303人，其中16人不幸身亡。因此，急需開發一種快速、精準的毒性識別技術。

傳統毒蘑菇鑒別通常依靠專家經驗、外觀識別或化學分析，但外觀識別易因特征不明顯而失誤，化學檢測成本高，難以廣泛應用[。據統計，中國已知的有毒蘑菇種類超過660種[2-3]，傳統方法難以應對其復雜的毒性判別需求，急需研發科學、高效的毒蘑菇識別技術。

近年來，機器學習在毒蘑菇的鑒別領域表現出巨大的應用潛力，并已被廣泛應用到多種技術中。例如，經典的機器學習方法如貝葉斯分類模型（NaiveBayes，NB）、支持向量機（SupportVectorMachine，SVM）以及卷積神經網絡（ConvolutionalNeuralNetwork，CNN）等，都被應用于毒性識別的研究中。在已有的研究中，劉斌等[4研究了一種貝葉斯分類模型的毒蘑菇鑒別方法；樊駕等[5]提出了一種基于SVM的蘑菇毒性判別方法；WANG等[]研究了一種依托視覺特征的自動化毒性判別方法，并采用多粒度級聯森林作為分類模型，取得了較高的準確性；PREECHASUK等[通過卷積神經網絡對蘑菇類型進行圖像分析分類。這些研究雖取得了一定成果，但仍存在圖像分類只關注外觀特征，而忽略氣味等不足，進而影響分類，且在精確度和效率方面仍有待于提升。

TabNet是GoogleBrain團隊于2019年提出的一種深度學習模型，專為表格數據設計[8]。與傳統機器相比，TabNet結合了深度神經網絡的端到端訓練優勢與表征學習能力，無須依賴復雜的特征工程，同時具有出色的可解釋性和稀疏特征選擇能力，能顯著提升判別效率和實用性。本研究利用TabNet模型克服傳統機器學習在蘑菇毒性判別中的局限性，并開發了便捷的在線判別系統，提升其應用價值。這項研究不僅為專家提供了更高效的毒性判別手段，還為普通用戶帶來了一種使用便捷的工具，增強公眾對有毒蘑菇的防范意識。

1材料與方法

1.1 數據集處理

1.1.1 標準數據集介紹

本研究使用的數據來源于加利福尼亞大學歐文分校（UniversityofCalifornia，Irvine，UCI）公開的蘑菇數據集[。該數據集共包含8124個樣本，涵蓋22種新鮮蘑菇的特征。如表1所示，每個樣本由蘑菇的形態、顏色、氣味、生長環境等描述特征構成，并以“毒性”（可食用／有毒）作為分類標簽，特征中包含多種類別變量，并無缺失值或異常值，非常適合機器學習建模。

1.1.2 數據集預處理

本文使用蘑菇數據集進行建模。為了確保模型能夠正確處理和學習數據，本文對數據進行以下預處理：首先將目標變量class列進行標簽編碼，以便模型能夠處理分類標簽；其次對數據集中除目標變量class外的所有特征列進行標簽編碼，以將所有類別特征轉換為數值特征；最后進行數據集劃分（數據集進一步劃分為訓練集和測試集，劃分比例為 8：2 ）。記訓練集為 X_train 、 Y_train ，測試集為 X_test 、 Y_test 。數據集的預處理確保了數據的規范化和一致性，為后續模型的訓練和評估奠定了基礎。實施上述操作可將原始數據轉換為機器學習模型可處理的數值格式，提升其性能與穩定性。

1.2 基于TabNet的蘑菇毒性識別

1.2.1 TabNet模型的工作原理與特征選擇機制

TabNet模型的編碼器結構如圖1所示，基于決策樹結構與注意力機制，高效篩選表格數據特征。其核心由多個TabNetBlock組成，每個塊通過可學習的掩碼動態選擇重要特征。輸人特征矩陣為 X∈R^N×M （ N 為樣本數， M 為特征維度），經注意力變換器生成注意力掩碼 M_k∈R^N×M ，篩選特征后形成新矩陣為 為新的特征矩陣， X 為輸入特征矩陣，M_k 為動態注意力掩碼），篩選特征 后傳人特征變換器提取高階特征。輸出經Split模塊分割，部分用于當前步驟，部分傳遞至下一步。TabNet結合了稀疏性正則化，每一步動態選擇少量重要特征，避免過擬合，適合處理高維稀疏的表格數據。

1.2.2 模型的建立與訓練

為優化TabNet模型的性能，本研究采用網格搜索調整超參數，選定決策樹和注意力網絡維度（n_d、n_a）為8，特征提煉步驟（n_steps）為3，利用動態注意力機制生成特征掩碼。稀疏正則化參數gamma設為1.5，L2正則化參數lambda_sparse為 10^-5 ，降低過擬合風險。分類任務采用交叉熵損失函數，公式為

表1蘑菇的22個特征

注：每個特征的值包含相應的類別標識符，如“鐘形（b）”中的 ^*b^* 代表鐘形。

式中： N 為樣本數; y_i 為真實標簽; 為預測概率。使用Adam優化器，學習率為 10^-2 ，結合StepLR學習率調度器每50步衰減0.9。批量大小為1024，虛擬批次大小128，提前停止策略為當驗證集準確率連續10個epoch未提升時終止，最大訓練epoch數為100。

1.2.3 模型評估

測試集的預測結果通過以下步驟評估： ① 計算測試集上的分類準確率； ② 構造混淆矩陣 c ，其中C_i，j 表示實際為類i而被預測為類 j 的樣本數量； ③ 基于混淆矩陣，生成分類報告，包括精確率、召回率及 F₁ 分數。

2結果與分析

2.1 實驗結果分析

建模在Windowl0系統、PyCharm2021、Python3.11.3環境下執行。圖2顯示TabNet模型訓練損失逐漸下降并穩定，驗證準確率快速提升至 100% ，表明模型收斂良好且泛化性能優異。

為評估模型性能，本研究比較了Tabnet與支持SVM和邏輯回歸兩種模型效果。實驗結果顯示，TabNet分類準確率達到了 100% ，優于SVM（ 99.25% ）和邏輯回歸（ 95.20% ），得益于其自注意機制與端到端特征選擇能力。由圖3可知，混淆矩陣顯示模型零誤分類，分類報告表明精確率、召回率和 F₁ 分數均為1.00，驗證了模型在可食用和有毒類別上的優異性能和平衡性。

2.2 網站開發應用蘑菇毒性檢測系統的開發

2.2.1 蘑菇毒性檢測系統的開發

為提升蘑菇識別的實用性，本文開發了一款蘑菇毒性檢測系統[10]，部署于阿里云服務器，網站鏈接為 http：//8.141.10.240：3000 （服務有效期：2024年11月至2025年11月）。用戶可在系統的Web界面選擇蘑菇特征并提交，獲得毒性判別結果，顯著增強了模型的實用性。該系統采用瀏覽器－服務器架構，速、精準的蘑菇毒性實時檢測[1l-13]。前端基于超文整合前端用戶交互界面與后端分類模型，實現快本標記語言（HyperText Markup Language，HTML）和JavaScript開發，便于用戶直觀選擇并提交蘑菇特征數據。通過AJAX技術，依托超文本傳輸協議（HyperTextTransferProtocol，HTTP）和JSON格式實現前后端高效通信。后端解析請求，調用分類模型預測毒性，并將結果及置信度返回前端，完成動態交互。

圖1 TabNet的編碼器結構

圖2訓練過程的損失與準確率變化

圖3混淆矩陣和分類報告

2.2.2 優先級排序

為確定蘑菇毒性檢測系統中特征的優先級，本研究利用隨機森林模型分析特征重要性，其中特征的重要性得分反映其對模型預測的貢獻。由圖4可知，氣味具有較高區分度，孢子印花顏色和菌褶顏色等特征也對毒性判別至關重要，能夠顯著提升模型分類性能。

圖4隨機森林特征重要性排序

在隨機森林模型分析特征重要性結果的基礎上，分析氣味特征對蘑菇毒性判別的重要性。由圖5可知，可食用蘑菇的氣味包括杏仁味、茴香味；有毒蘑菇的氣味涵蓋雜酚油味、魚腥味、惡臭味、霉味、刺激性氣味和辛辣味；無味蘑菇多為可食用，但少數為有毒。氣味特征區分度高，能夠為毒性檢測提供關鍵依據。

圖5不同氣味在可食用／有毒蘑菇中的頻率

2.3 實際效果驗證

本研究以20種中國蘑菇樣本（10種有毒，如毒蠅鵝膏菌、毒紅菇；10種可食用，如平菇、香菇）為測試對象，驗證模型性能。如表2所示，模型毒性檢測準確率均超過 98% ，展現出高度的可靠性和有效性，為實際應用奠定堅實基礎。

3結論與討論

本研究采用TabNet模型實現高效蘑菇毒性識別，在UCI蘑菇數據集上分類準確率達 100% ，優于支持向量機（ 99.25% ）和邏輯回歸（ 95.20% ）。混淆矩陣與分類報告顯示，模型的精確率、召回率及 F₁ 分數均為1.00，表明其性能卓越。TabNet通過自適應特征選擇機制動態篩選關鍵特征（如氣味、孢子印花顏色、菌褶顏色），簡化特征工程，提升分類效率與可解釋性。實際驗證中，20種蘑菇樣本的檢測準確率均超 98% ，大多超 99.90% ，展現出方法的高可靠性。然而，研究存在局限性：UCI數據集以北美蘑菇為主，未涵蓋中國660余種毒蘑菇；數據集缺乏營養類型（如共生、腐生、寄生）信息，限制模型對毒性差異的判別，如鵝膏屬蘑菇的腐生與共生型。未來將整合中國所記錄的蘑菇數據，補充形態、氣味及營養類型信息，構建多樣化數據集，提升模型泛化能力；深人分析氣味等特征機制，優化在線檢測系統，結合圖像識別與表格特征實現多模態判別，增強其實用性。綜上，TabNet模型在蘑菇毒性識別中高效且具科學性，應用前景廣闊。未來，加強數據集擴展、營養類型融入及系統優化，將進一步推動毒蘑菇識別技術在食品安全領域的應用。

表2基于模型的蘑菇毒性分類準確率

參考文獻

[1]高帆，譚廷鴻，孫琰妮，等.毒蘑菇鑒別技術研究進展[J].食品安全質量檢測學報，2024，15（9）：51-61.

[2]LIW W，PIRESS M，LIUZT，etal.Mushroom poisoning outbreaks—China，2010-2020[J].China CDC Weekly，2021，3（24）：518.

[3]圖力古爾，李海蛟，包海鷹，等.中國毒蘑菇新修訂名錄[J].菌物研究，2024，22（4）：301-321.

[4]劉斌，張振東，張婷婷.基于貝葉斯分類的毒蘑 菇識別[J].軟件導刊，2015，14（11）：60-62.

[5]樊駕，彭衛，孫山，等.基于支持向量機的蘑菇毒性判別研究[J].中國農學通報，2015，31（19）：232-236.

[6]WANGYY，DUJX，ZHANGHB，etal.Mushroom toxicity recognition based on multigrained cascade forest[J]. Scientific Programming，2020，2020（1）：8849011.

[7]PREECHASUKJ，CHAOWALITO，PENSIRIF， et al.Image analysis of mushroom typesclassificationbyconvolution neural netw01ks[EB/OL].（2020-02-16）[2025-05-23].https：//dl.acm. org/doi/abs/10.1145/3375959.3375982#core-history.

[8]ARIK S O，PFISTER T.Tabnet：attentive interpretable tabular learning[EB/OL].（2021-05-18）[2025-05-23].https：//ojs. aaai.org/index.php/AAAI/article/view/16826.

[9]Mushroom [Dataset].UCI Machine Learning Repository[EB/OL].（1987-04-27）[2025-05-23].https：//doi. org/10.24432/C5959T.

[10]黃志峰，付麗媛，王曉陽，等.基于Web與Node.js的醫療設備動態管理系統的設計與實現[J].功能與分子醫學影像學（電子版），2019，8（2）：1653-1656.

[11]韓中，茍和平，陳益全，等.Web云服務監控的Python技術實現[J].長江信息通信，2022，35（5）：88-91.

[12]吳曉一.基于Node.js的Python腳本調用方法[J].電腦編程技巧與維護，2020（6）：24-26.

[13]黎青霞.Node.js在Web開發中的應用研究[J].信息記錄材料，2024，25（10）：91-93.