Wang Y, Du J, H Zhang, et al. Mushroom Toxicity Recognition Based on Multigrained Cascade Forest[J]. Scientific Programming, 2020, 2020(1):1-13.

       蘑菇是某些真菌的肉质子实体，其中一些可以食用，但少数是有毒的。每年都有大量的人因食用有毒蘑菇而死亡，根据蘑菇的外观特征来判断蘑菇是否有毒是很有用的。蘑菇毒性的自动识别对有效预防食物中毒具有重要的社会和应用价值。

       目前识别有毒蘑菇的方法大致可分为四类：化学测定、动物实验、真菌分类和民间经验。目前，基于这些方法的毒菇研究不仅不完善，而且还存在许多不足之处。

       真菌识别包括三个方面：鉴定、分类和系统发育。真菌分类学的发展经历了传统分类学和分子生物学两个阶段。这些方法主要用于鉴定蘑菇的种类。然而，这些方法的目的是主观的，因为真菌种类繁多，形态特征复杂。这些方法仅限于涉及人工培养真菌的应用，并且只适用于专业人员。因此，有毒蘑菇的鉴定并不是一帆风顺的。

       长期以来，人类通过观察蘑菇的形状、颜色、气味和分泌物特征来识别有毒蘑菇。TIS方法更直观，但每年的中毒事件证明准确率较低。图斯，这不是鉴定蘑菇是否有毒的可靠方法。然而，这种方法依赖于人类获得的背景知识。人们获得了大量的背景知识和经验，因此识别准确率很高。否则，准确率会很低。在本文中，自动识别可以突破这一限制来判定其是否有毒。TE机器学习方法不仅不需要背景知识，而且可以识别未知物种。

       食用菌毒性识别方法具有准确性低、未知毒素检测不合格、对实验环境要求严格、专业知识丰富、实验周期复杂等局限性。针对这些问题，本文构建了一种基于外观特征的蘑菇自动识别模型。根据观察到的蘑菇外观数据，该模型可以自动、准确地识别出有毒蘑菇。随着数据时代的到来，机器学习和深度学习成为人工智能的核心。近年来，机器学习技术被用来识别蘑菇的毒性。超群在一个应用程序中使用机器学习模型来识别有毒蘑菇。基于安卓的菌种识别系统可以对菌种进行有效的实时分类。志峰[16]提出了基于堆叠算法的决策融合来提高分类精度的方法。食用菌图像数据库是由帅昌等人从互联网上通过Python Crawler获取的。基于TE模型的迁移学习和ADAM算法作为模型优化方法，构建了蘑菇图像识别的模型结构。

       深度神经网络需要大规模的数据量，使得本已复杂的模型变得更加复杂。机器学习对于小样本问题具有独特的优势。对于有毒蘑菇的识别，本文讨论了三种不同的模式识别方法：Logistic回归、支持向量机(SVM)[18]和多粒级联森林(GcForest)，这些机器学习方法被用来判断蘑菇是否有毒。GcForest具有以下优点：(1)通过gcForest进行基于特征的学习和迭代分类，性能最好；(2)不需要专业知识就可以使用该系统；(3)如果未知蘑菇品种有毒，可以快速识别；(4)与其他方法不同，它不受自然环境的影响，扩大了它的使用范围。