《Smart Agricultural Technology》：From morphology to species identity: CA-MFE-SwinT for fine-grained grasshopper recognition
编辑推荐：
**论文摘要翻译：**
蝗虫是农业和草原生态系统中的重要昆虫，其物种鉴定是草地害虫监测的基础。针对近缘蝗虫物种形态高度相似、传统形态学鉴定耗时且依赖专家经验的问题，研究人员开发了一种形态感知的细粒度蝗虫识别框架CA-MFE-SwinT（Coordinate
**论文摘要翻译：**
蝗虫是农业和草原生态系统中的重要昆虫，其物种鉴定是草地害虫监测的基础。针对近缘蝗虫物种形态高度相似、传统形态学鉴定耗时且依赖专家经验的问题，研究人员开发了一种形态感知的细粒度蝗虫识别框架CA-MFE-SwinT（Coordinate Attention and Multi-scale Morphological Feature Enhancement Swin Transformer）。该框架以Swin Transformer（Shifted Window Transformer）为骨干网络提取层次化形态特征，引入坐标注意力（Coordinate Attention，CA）模块增强方向性空间信息，并通过多尺度形态特征增强（Multi-scale Morphological Feature Enhancement，MFE）模块聚合不同空间尺度的形态相关特征，从而在整体形态结构建模的基础上强化局部诊断特征的判别能力。研究人员构建了蝗虫细粒度识别数据集（Grasshopper Fine-grained Recognition Dataset，GFRD），包含来自7科28属41种878头成虫标本的9,128张标准化多视角图像，并采用标本级划分以避免同个体多视角图像造成的信息泄漏。在独立测试集上，该模型实现了92.26%的Top-1准确率和97.09%的Top-3准确率，宏平均精确率、召回率和F1分数分别为92.46%、91.42%和91.47%。消融实验验证了CA和MFE模块的互补贡献。误差分析表明，误分类主要集中于亲缘关系较近的物种。基于温度缩放的置信度校准有效降低了期望校准误差（Expected Calibration Error，ECE），风险-覆盖率分析证实了基于置信度的选择性预测策略的有效性。对于转入人工审核的低置信度样本，正确物种出现在Top-3预测列表中的比例达80.96%。该框架为实验室标准化蝗虫标本的辅助鉴定提供了一种有效途径，并支持基于置信度引导的专家复核流程。
**论文主体内容解读**
**1. 研究背景与拟解决问题**
蝗虫是草地生态系统中的关键昆虫类群，部分物种具有高取食率、强扩散能力和暴发潜力，可对农作物和牧草资源造成严重损害。不同蝗虫物种在生境偏好、发生规律、扩散行为和危害潜力方面存在显著差异，因此准确的物种级鉴定是草地害虫监测、生态分析和精准防控的重要基础。传统形态学鉴定虽为蝗虫分类的黄金标准，但耗时费力且高度依赖分类学专家的经验。深度学习方法在昆虫图像分类、检测和计数领域已取得显著进展，但多数研究聚焦于检测、定位或粗粒度识别任务。近缘蝗虫物种之间的诊断性形态特征微小，且分布于头、胸、腹、翅和足后腿等多个解剖区域，需要整合整体形态结构与局部细微特征才能实现可靠判定。现有细粒度识别模型虽然强调判别性区域建模和多尺度特征交互，但针对层次化上下文、方向性空间信息与多尺度形态特征联合建模的研究仍相对不足。因此，构建专门的蝗虫细粒度识别数据集并开发能够同时捕捉全局形态与局部诊断特征的识别模型，具有重要的理论价值和实践意义。
**2. 研究内容、核心结论与意义**
针对上述问题，研究人员开展了系统性的蝗虫物种级图像识别研究。首先，研究人员构建了GFRD数据集，涵盖7科28属41种878头成虫标本，共9,128张标准化多视角图像，并采用标本级划分策略防止同个体图像在训练、验证和测试子集间的信息泄漏。其次，研究人员开发了CA-MFE-SwinT形态感知细粒度识别框架，以Swin Transformer为骨干提取层次化形态特征，通过CA模块增强沿高度和宽度方向的坐标空间信息，通过MFE模块融合不同有效感受野下的多尺度形态特征并以空间-通道联合注意力进行校准，同时引入残差连接保持全局形态信息的完整性。在独立测试集上，该模型Top-1准确率为92.26%±1.38%，Top-3准确率为97.09%±0.69%，宏平均F1分数为91.47%±1.34%，显著优于多个代表性CNN（Convolutional Neural Network）模型、Transformer模型和害虫识别专用模型。消融实验证明CA和MFE模块具有互补的增益效果，且附加计算开销有限。该研究为实验室条件下标准化蝗虫标本的自动化辅助鉴定提供了一种高性能技术方案，并为后续生态监测应用奠定了方法学基础。
**3. 主要技术方法**
研究人员采用了以下关键方法：其一，数据集构建方面，图像采集自河北大学蝗虫标本库，标本采自河北省多个采集地点，采集时间为2021至2023年；所有图片基于标准化实验室条件拍摄，每头标本采集背视、侧视和斜视等多个视角；分类体系依据《中国动物志》标准；采用标本级分层划分，训练、验证、测试子集分别约占标本总数的75%、12%和13%。其二，模型架构方面，采用Swin Transformer-Tiny作为骨干网络并加载ImageNet-1K预训练权重，在骨干网络末级高分辨率语义特征图上依次施加CA模块与MFE模块；MFE模块包含3×3、5×5、7×7三个并行分组卷积分支、通道融合、空间-通道联合注意力以及残差连接。其三，评估体系方面，采用五次不同随机种子重复实验，以配对学生t检验（p<0.05）进行统计显著性验证，综合运用图像级和标本级Top-1/Top-3准确率、宏平均指标、层级错误指标、置信度校准指标、风险-覆盖率指标、Grad-CAM可视化和10,000次标本级Bootstrap重采样分析。
**4. 研究结果**
**4.1 独立测试集整体识别性能**
CA-MFE-SwinT在独立测试集上取得了92.26%±1.38%的Top-1准确率，宏平均精确率、召回率和F1分数分别为92.46%±0.92%、91.42%±1.38%和91.47%±1.34%，五次运行的标准差较小，表明模型在不同随机初始化条件下具有稳定的识别性能。
**4.2 图像级与标本级识别性能**
测试集包含115头标本的1,020张图像。标本级预测通过对同一标本所有图像的概率向量取平均获得。标本级Top-1和Top-3准确率分别为91.30%±0.87%和96.81%±1.00%，与图像级结果接近，说明多视角图像聚合后模型性能保持稳定。Bootstrap分析显示标本级Top-1准确率的标准差为2.50%至2.73%，量化了有限测试标本带来的采样变异性。
**4.3 置信度校准与置信度引导的预测分析**
置信度分层分析显示，图像识别准确率总体上随最大Softmax概率（MSP）升高而上升，大部分测试图像集中于≥0.90的置信度区间。温度缩放将ECE从0.0374±0.0117降至0.0189±0.0011，NLL从0.3405±0.1053降至0.2976±0.0717，置信度与经验准确率之间的一致性得到显著改善。风险-覆盖率分析中，预先设定10%人工审核预算，在验证集确定置信度阈值后固定应用于测试集，得到的测试集审核比例为8.82%±2.47%，自动接受样本的选择性风险仅为3.45%±1.08%，AURC为0.0079±0.0035，表明高置信度样本具有更低的分类风险。审核样本中，正确物种出现在前三位预测中的比例为80.96%，说明排序列表能为专家提供有用的候选物种参考。
**4.4 对比实验**
与ResNet-50、ResNet-Locust-BN、基础Transformer、Transformer+CNN混合基线、CGENet、SwinT、ROI-ViT、Pest-ConFormer和TransFG等模型的对比中，CA-MFE-SwinT在Top-1准确率和宏平均指标上均取得最佳结果，较最强对比模型TransFG的Top-1准确率提升2.32个百分点（p=0.041），且参数量和FLOPs仅为28.504M和9.065G，低于多个大规模Transformer模型，展现了识别性能与计算成本的良好平衡。
**4.5 消融实验**
以SwinT为基线分别加入CA或MFE均能提升Top-1准确率，其中MFE增益更大。CA-MFE-SwinT组合配置的Top-1准确率最高，与SwinT、SwinT+CA和SwinT+MFE相比的配对检验p值分别为0.004、0.037和0.034，证实了CA和MFE的互补作用。计算开销方面，CA仅引入极小的参数和FLOPs增量，MFE带来了相对较大的额外计算成本。
**4.6 混淆矩阵与层级错误分析**
大部分物种的识别准确率高，有多达9个物种的正确分类比例接近或等于1.00。相对较低对角线值的物种集中在少数类群，如Chorthippus intermedius（约0.68）和Trilophidia annulata（约0.70）。主要误配对包括C. intermedius被误判为C. hammarstroemi（约30%）以及Myrmeleotettix longipennis被误判为Chorthippus fallax（约20%）。标本级层级错误分析显示，50次误分类事件中属内种间错误占52.00%，科内跨属错误占34.00%，跨科错误占14.00%，86.00%的错误发生在同一科内，说明误分类主要集中在亲缘关系较近的类群。
**4.7 类别特异性识别性能与Grad-CAM可视化**
41个物种中，有5个物种的F1分数达到1.0000，包括Chondracris rosea、Shirakiacris shirakii、Dasyhippus peipingensis、Myrmeleotettix angustiseptus和Euchorthippus unicolor。表现最低的物种是C. hammarstroemi（F1=0.6732±0.0400）。Grad-CAM可视化显示，与单独SwinT相比，加入CA和MFE的模型对蝗虫头部、胸区、翅膀、腹部和后足等形态区域产生更强的响应，而对背景和标本针区域的响应更弱，印证了形态感知模块对特征表征的改善作用。
**5. 讨论总结与研究结论**
讨论部分围绕四个核心主题展开。在识别性能与效率方面，CA-MFE-SwinT以适度的计算开销实现了优于深入对比模型的准确率，证明了模块设计的有效性。在模块互补性方面，CA侧重方向性空间位置编码，MFE侧重多感受野尺度下的局部特征精炼，二者的功能互补性在消融实验和Grad-CAM可视化中获得了相互印证。在误分类模式方面，层级错误分析揭示出大多数错误集中于近缘物种，且类间形态相似性并非决定识别难度的唯一因素——诊断特征的可见度、成像角度和个体形态变异同样重要，并提示对困难物种补充代表性标本和特征区域视图可能比简单增加图像数量更有价值。在置信度校准与专家辅助识别方面，温度缩放有效改善了概率估计的可靠性，置信度引导的选择性预测可以为人工审核提供明确的对象范围，排序候选列表则为专家复核提供了可操作的参考优先级。整体框架的当前适用性主要局限于受控的标本成像条件，未来需要在更多外部标本、不同采集年份和地区以及田间复杂环境下进行验证，并可考虑结合目标检测器和多源传感器信息拓展实际监测能力。
研究结论可概括为：CA-MFE-SwinT在41种蝗虫的细粒度识别中取得了优异的性能，标本级评估证实多视角聚合后识别能力保持稳定，消融实验验证了CA和MFE模块的互补贡献，误差分析表明误分类主要集中于形态相似的近缘物种，经过温度缩放的置信度估计能够有效识别不确定性样本并为模拟的人工审核流程提供支持。该框架为实验室标准化蝗虫标本的辅助鉴定以及置信度引导的候选物种筛查提供了有效途径，其当前应用范围主要限于受控标本成像条件，未来应向更广泛的外部验证、异质田间图像和互补信息整合方向拓展。
