准确的寄生蜂分类识别对于生物多样性评估、生态监测和生物控制计划至关重要。然而，由于形态相似性、体型较小以及细微的种间变异，手动识别工作量大且依赖专业知识。本研究提出了一种基于深度学习的框架，利用YOLO架构与高分辨率类激活映射（HiResCAM）结合，实现寄生蜂的自动识别。
该系统能够从高分辨率图像中同时识别多个蜂科。数据集包含3556张昆虫标本的高分辨率图像，主要集中在以下几个科：寄生蜂科（Ichneumonidae, n = 786）、小蜂科（Braconidae, n = 648）、蜜蜂科（Apidae, n = 466）和黄蜂科（Vespidae, n = 460）。通过对精心策划的数据集进行广泛实验，模型性能通过精确度、召回率、F1分数和准确率进行评估，结果显示模型的准确率超过96%，并且在形态变异方面具有良好的泛化能力。
HiResCAM可视化结果证实模型关注了与分类相关的解剖区域，如翅脉、触角分段和腹部结构，从而验证了学习特征的生物学合理性。可解释AI技术的集成提高了系统的透明性和可信度，使其适合用于昆虫学研究，加速对这一尚未充分描述的寄生蜂超科的生物多样性特征的表征。
博主点评： 本研究通过深度学习和可解释AI的结合，为传统的昆虫分类提供了创新的解决方案，显示了技术在生物多样性研究中的巨大潜力。利用YOLO架构的高效性和HiResCAM的可解释性，能够有效提升分类准确性，同时为科学研究提供了良好的信任基础。