蝗虫是农业和草地生态系统中的重要昆虫类群，不同物种在生态习性、发生规律和危害程度等方面存在差异，物种的准确识别对于害虫监测、生态调查和风险评估具有重要意义。随着人工智能的发展，基于图像深度学习的自动分类识别成为当前研究热点。然而，现有的自动识别研究主要侧重于目标检测或粗粒度分类，而对形态相似物种的识别以及专家验证的支持仍显不足，给自动化细粒度识别带来了较大挑战。

生命科学学院李新江教授团队联合电子信息工程学院刘明教授团队开展了蝗虫细粒度物种识别研究，构建了Grasshopper Fine-grained Recognition Dataset（GFRD），并提出CA-MFE-SwinT模型。近日，相关成果以“From morphology to species identity: CA-MFE-SwinT for fine-grained grasshopper recognition”为题发表于农学领域重要期刊《Smart Agricultural Technology》（IF：7.1，学科排名： 8/133）。

研究团队以北方常见蝗虫为研究对象，共整理获得隶属于7科28属41种878个成虫标本的9128张标准化多视角图像。通过不同视角较为全面地记录蝗虫整体形态及局部关键特征。为保证模型评价的独立性和可靠性，研究以标本个体为单位划分训练集、验证集和测试集，确保同一标本的不同视角图像不会出现在不同数据子集中，使测试结果更加真实地反映模型对未知标本的识别能力。

图1 白纹雏蝗（Chorthippus albonemus）与北方雏蝗（Chorthippus hammarstroemi）的整体形态及局部诊断特征。

在此基础上，研究提出CA-MFE-SwinT模型，以Swin Transformer为骨干网络，并结合Coordinate Attention（CA）和Multi-scale Morphological Feature Enhancement（MFE）模块，在提取蝗虫整体身体结构信息的同时，加强对不同身体区域空间位置以及不同尺度形态特征的表达，从而提升对形态相近物种的区分能力。                            

图2  CA-MFE-SwinT 模型的整体架构。

研究结果显示，CA-MFE-SwinT在物种识别任务中表现良好，Top-1准确率达到92.26%，整体性能优于多种对比模型。消融实验表明，CA和MFE对识别性能具有互补提升作用。通过聚合同一标本多视角预测结果，模型在标本层面仍保持了较为稳定的识别能力。

进一步分析发现，模型的误分类主要集中在形态相似、分类关系较近的物种之间，说明近缘物种间细微形态差异仍是自动识别的主要难点。研究还进一步对模型预测结果的可靠性进行分析，并引入置信度校准和选择性预测机制，使模型能够将高置信度样本自动处理，而将低置信度、较难判断的样本筛选出来交由专家进一步复核。对于这些区分困难样本，本模型仍能够提供具有参考价值的候选物种范围，为人工鉴定提供辅助信息。

本研究从标准化多视角图像数据集构建、细粒度形态特征学习到置信度辅助专家复核，对蝗虫物种智能识别进行了较为系统的探索。该研究不仅为形态相近蝗虫的自动识别提供了新的技术思路，也为人工智能辅助昆虫分类、样本鉴定及农业害虫监测提供了参考，为构建“模型初筛—专家复核”的人机协同识别模式提供了新实践。

刘明教授为本论文第一作者，硕士研究生张雅宁为第二作者，李新江教授为通讯作者。博士研究生陈健宇、印海祥、硕士研究生邹柏华参与了该项工作，郝华青博士，熊鹏教授参与了指导。该成果得到了河北省创新能力提升计划高层次人才团队建设专项（253A7501D）、国家自然科学基金（62276087）和河北省自然科学基金（F2025201059）的支持。

原文链接：https://doi.org/10.1016/j.atech.2026.102670