近日，我院曹忠副教授带领本科生在中国华南区域菊头蝠类群精细分类方面取得重要研究进展，首次构建第一个用于菊头蝠识别分类的数据集，优化改进了VGG16和轻量化模型EfficientNet，类激活图算法Grad-CAM的应用打开了深度学习的“黑箱”，识别准确率显著超过了其他主流模型。相关研究成果分别发表在Frontiers in Zoology和Scientific Reports。
01 | 研究背景
物种是生物学研究奠基之石，是其研究开展基本单位（Barton et al., 2007; Schlick-Steiner et al., 2010），其核心在于如何正确划分物种。在生物多样性保护和生态系统研究中，准确快速地识别和分类物种至关重要。传统上，这一任务高度依赖于分类学经验积累与整合性分析，不仅耗时耗力，而且对专业知识要求极高。
蝙蝠作为生态系统中的重要组成部分，同时亦为部分人兽共患病原微生物携带者，其物种准确识别具有重要意义。但由于其物种多样性极高（仅次于啮齿目的第二大目），形态特征相似性大，故其识别和分类一直是生物学研究中的难题之一（江廷磊等，2020；余文华等，2022）。随着人工智能技术的发展，尤其是深度学习在图像识别领域的突破，我们现在能够通过计算机视觉技术来实现对物种的自动识别和分类，极大地提高了效率和准确性。
图1 中国华南区域7种马蹄蝠头部特征（Cao et al. Frontiers in Zoology (2024) 21:10）
02 | 研究内容
基于此，这2项研究均聚焦于中国华南地区菊头蝠蝙蝠（Rhinolophus），基于标准化采集的高分辨图像数据，通过数据扩充技术，团队构建了第一个用于中国南方菊头蝠识别的数据集，利用改进的深度学习模型，实现了对这些蝙蝠物种的快速准确识别。
在第1项研究中，Cao等人提出了一种基于VGG16-CBAM模型的方法（图2），该方法通过卷积注意力机制（CBAM）增强卷积神经网络（CNN）的特征提取和分类能力，通过全局平均池（GAP）化减少模型参数并提高模型泛化能力。以879张活体标准化的正面、斜面和侧面面部图像为基础，该模型在分类7种菊头蝠时达到了92.15%的准确率。
图2 VGG16-CBAM模型结构图（Cao et al. Frontiers in Zoology (2024) 21:10）
在第2项研究中，该研究团队进一步针对VGG16-CBAM模型对算力要求高的问题，提出了一种基于改进的EfficientNet模型的方法（图3），通过集成了协同注意力机制模块CA，优化原模型仅注意通道层的不足，以挖掘图像中的细粒度信息。模型在预测精度、召回率、准确率和F1分数方面均超越了其他经典模型，实现了94.22%的最高识别准确率和0.948的F1分数，且拥有更低的计算复杂度，为模型在计算资源有限的移动和嵌入式设备上部署进行了有效探索。
图3 EfficientNet模型结构图（Cao et al. Scientific Reports (2023) 13:16375）
值得注意的是，Grad-CAM可视化技术的应用进一步揭示了模型在决策过程中更关注的分类关键区域。类激活图（热图）结果表明：模型在决策过程中更关注分类关键区域与蝙蝠分类学家的判断标准相吻合，验证了方法的有效性。
这2项研究的成功不仅展示了深度学习在生物物种识别领域的强大潜力，也为未来快速物种识别技术的发展与分类系统优化提供了新的思路与新的视角（如：物种鉴别特征的筛选、人机视觉识别差异对比等）（图4）。通过结合计算机视觉和深度学习技术，潜在性更高效地进行生物监测、调查和科普任务，为生物多样性保护和生态系统管理提供强有力的技术支持。
图4 Grad-CAM的热图可视化各模型在决策过程中关注区域（Cao et al. Frontiers in Zoology (2024) 21:10）
03丨研究相关
该研究第一作者为广州大学电子与通信工程学院曹忠副教授与王坤辉、李楚宪同学（本科，现于分别在中国科学院大学、电子科技大学攻读硕士研究生），通讯作者为广州大学生命科学学院的王晓云博士和余文华教授。研究得到了国家自然科学基金、国家科技基础研究专项基金和广东省杰出青年科学基金等项目的资助。研究成果已在《Frontiers in Zoology》和《Scientific Reports》上发表。
在广州大学电子与通信工程学院及生命科学学院的研究团队取得的这项创新成果中，本科生科研人员不仅参与了数据的收集和预处理，还参与了模型的训练和优化过程，这些经验对于他们未来的科研道路极为宝贵。通过实际参与到这样的高水平科研项目中，本科生有机会深入理解深度学习技术及其在实际应用中的潜力，同时也能够领略到跨学科研究的魅力。通过将本科生纳入到科研项目中，学生们能够在实践中学习和成长，这种经历对于培养未来的科学家和工程师具有不可估量的价值。
文章链接： https://doi.org/10.1186/s12983-024-00531-5
https://www.nature.com/articles/s41598-023-42577-1
