基于深度学习的11种鳞翅目害虫蛹期图像自动识别与分类研究

《Insects》:Deep Learning-Based Image Classification of Pupae from 11 Lepidoptera Pest Species Zitao Li and Xuankun Li

【字体: 大 中 小 】 时间:2026年03月21日 来源:Insects 2.9

编辑推荐:

  为解决鳞翅目昆虫蛹期形态鉴定困难这一传统分类学难题,研究人员通过建立标准化的多角度蛹图像数据集,系统评估了六种前沿的深度学习模型,包括卷积神经网络(CNN)和Transformer架构,成功实现了对11种重要害虫蛹的高精度(最高达98.71%)自动识别。这项研究验证了利用蛹期图像进行害虫识别的可行性,为开发田间害虫监测的快速图像识别工具、支持早期预警和精准治理提供了技术基础和可行路径。

  
在农业生产中,鳞翅目害虫(如蛾类和蝶类)因其强大的繁殖力、迁徙行为和快速的抗药性发展,构成了持续而严重的威胁。准确、及时的物种鉴定,是实施有效综合虫害管理(Integrated Pest Management, IPM)的前提。传统的昆虫鉴定主要依赖成虫的形态特征(如翅脉、外生殖器),有时也会参考幼虫特征。然而,害虫生命中的蛹期,长期以来却是一个被忽视的“黑箱”阶段。蛹的形态特征相对较少,分类学研究不足,在田间实践中极少被用于物种鉴定。这个“盲点”非常关键,因为蛹期是许多害虫越冬或越夏的主要虫态,准确识别蛹对于预测种群动态和暴发风险至关重要。面对海量的田间监测需求,依赖少数分类学专家的传统形态鉴定方法既耗时又难以普及。那么,能否借助人工智能的力量,让机器“学会”识别这些看似相似的虫蛹,从而为农业植保装上一双“慧眼”呢?
为了回答这个问题,由Zitao Li和Xuankun Li完成的一项研究进行了探索。该研究聚焦于11种具有重要经济意义的鳞翅目害虫,首次系统性地尝试利用深度学习技术对它们的蛹期进行物种识别。研究成果已发表在期刊《Insects》上。
为了开展这项研究,作者主要应用了以下几项关键技术方法:首先,他们建立了标准化的多角度图像采集流程,使用实验室饲养的、经成虫形态确认的11种害虫蛹标本,在旋转平台上从0°到90°多个角度进行系统性拍照,构建了首个此类多物种蛹图像数据集。其次,利用目标检测模型对原始图像进行自动裁剪,获取聚焦于蛹体的图片,并进行尺寸归一化、像素值标准化以及在线数据增强(如随机翻转、旋转、色彩抖动)等预处理,最终按8:1:1的比例划分为训练集、验证集和测试集。接着,研究系统评估了六种深度学习模型,包括四种卷积神经网络(EfficientNet-B0, MobileNet-v2, ResNet-50, ConvNeXt-B)和两种Transformer架构(Vision Transformer Small, Swin Transformer Tiny),所有模型均使用在ImageNet数据集上预训练的权重进行初始化,并采用标准化的训练流程和超参数进行公平比较。最后,研究使用准确率、精确率、召回率、F1分数等指标定量评估模型性能,并利用梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)技术对模型的决策过程进行可视化解释,以探究其关注的特征是否具有生物学意义。
3.1. 分类性能
通过系统训练和评估,所有六种深度学习模型都成功学会了区分绝大多数物种,其中Vision Transformer Small(Vit-Small)模型表现最佳,在测试集上达到了最高的准确率(98.71 ± 0.16%)和F1分数(98.69 ± 0.20%),ConvNeXt-B模型紧随其后。这表明蛹的形态确实包含了足够的区分性视觉信息,可以支持高精度的自动识别。然而,所有模型都在三种夜蛾科物种——棉铃虫(Helicoverpa armigera)、黏虫(Mythimna separata)和甜菜夜蛾(Spodoptera exigua)——之间表现出持续且轻微的分类混淆。进一步分析发现,这些错误主要源于少数特定标本在特定拍摄角度下的图像,凸显了本研究所采用的多角度成像方案的价值。
3.2. 通过Grad-CAM进行可解释性分析
为了理解模型的决策依据并调查上述误分类,研究应用了Grad-CAM技术生成类判别热图。可视化结果显示,基于卷积神经网络(CNN)的模型(如ResNet-50, ConvNeXt-B)能够持续关注蛹体上连贯的、具有分类学意义的区域(如腹部刺突、气门等),而基于Transformer的模型(Vit-Small)虽然整体准确率高,但其注意力有时会集中在背景细节或过于局部的图像块上。分析证实,大多数被误分类的图像来源于相同的少数标本,且在特定角度下,关键的形态诊断特征(如棉铃虫蛹第5-7腹节背面的稀疏半圆形刻点、甜菜夜蛾蛹的短粗臀棘、黏虫蛹腹节前缘的波浪状缺刻等)的视觉表达可能变得模糊或被遮挡,导致模型难以自信地区分。
3.3. 模型可解释性与分类学对齐的讨论
研究对观察到的错误模式进行了深入讨论。深度学习模型与人类分类学家的推理方式存在根本差异:分类学家通常依赖离散的、不重叠的诊断特征,而深度学习模型则对所有可见特征进行加权,并通过综合、全面的评估做出决策。这类似于经验丰富的分类学家通过整体“概貌”快速识别标本,而非逐一检查每个特征。本研究中,Grad-CAM可视化表明,模型学会了关注具有分类学相关性的区域,证实了深度学习能够捕捉到真实的形态学信号。然而,在特定视角下,关键特征的视觉模糊性构成了依赖单视角输入的固有局限。这提示,未来要开发高可靠性的实用系统,可能需要整合多个角度的信息,以补偿任何单一不利视角带来的特征模糊性。
本研究成功证明,深度学习可以可靠地识别鳞翅目害虫的蛹期,这是一项即使对分类学家而言也颇具挑战的传统难题。通过构建一个包含11种重要经济害虫蛹的标准多角度图像数据集,并系统评估六种现代深度学习模型,研究实现了高精度的分类,验证了蛹期作为自动化识别可行特征来源的潜力。Grad-CAM分析进一步揭示,模型能够关注到分类学相关的形态特征。这项工作为开发用于蛹期害虫无损、早期检测的田间实用工具提供了实践基础和方法学管道。观察到的错误模式凸显了多角度成像方案的价值,并表明为了获得最大的可靠性,未来的系统可能需要整合多视角信息来补偿单视角下的特征模糊性。总之,该研究将蛹期鉴定从一个分类学挑战重塑为一个可解决的计算机视觉任务。通过公开发布数据集和可重复的分析框架,旨在推动进一步的社区驱动开发,最终形成更简单、更易用的工具,使非专业人员也能可靠地区分害虫蛾类的蛹,从而支持更主动、更精准的综合虫害管理。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号