Новый метод глубокого обучения для классификации видов комаров с помощью двухголовой структуры и архитектуры с калибровочно-ориентированным слиянием

Почему важна более умная идентификация комаров

Комары могут быть крошечными, но они переносят одни из самых опасных заболеваний в мире. Организации здравоохранения все чаще полагаются на фотографии насекомых, сделанные на смартфоны в ловушках, чтобы отслеживать появление разных видов. Проблема в том, что многие комары выглядят очень похоже, а снимки в полевых условиях часто бывают размытыми, плохо освещёнными или сделанными на разные камеры. В этом исследовании представлен новый искусственный интеллект, который способен различать схожие виды комаров с лабораторной точностью и одновременно оценивать степень своей уверенности в каждом решении — способность, критически важную, когда эти решения направляют реальные меры по контролю болезней.

От фотографий со смартфона до надёжных определений

Авторы сосредотачиваются на изображениях, похожих на те, которые может сделать полевой работник или гражданский учёный: целые комары, сфотографированные на смартфон против хаотичного реального фона. Их цель двояка. Во‑первые система должна правильно различать восемь категорий, включая несколько переносчиков болезней из родов Aedes и Culex и группу «другое/неизвестно». Во‑вторых, она должна давать оценку уверенности в каждом предсказании так, чтобы это соответствовало реальности, чтобы чиновники могли безопасно задавать пороги, например решая, когда инициировать повторный осмотр района. Плохо калиброванные системы могут звучать уверенно, но часто ошибаться при применении в новых местах или с другими типами камер.

Две визуальные ветви, работающие вместе

Чтобы достичь этих целей, команда построила конвейер анализа изображений, объединяющий два комплементарных способа «видения». Одна ветвь использует традиционные сверточные нейронные сети (CNN), которые отлично улавливают локальные текстуры, такие как чешуйки тела, полосы и жилки крыльев. Другая ветвь использует более новую архитектуру — Transformer, который лучше схватывает общую конфигурацию частей тела на изображении, например пропорции крыльев, груди и брюшка. Обе ветви параллельно обрабатывают одну и ту же фотографию комара, затем передают свои оценки в общий модуль принятия решений. Такое разнообразие подходов помогает системе оставаться надёжной даже при изменениях позы, резкости или типа устройства.

Одновременное изучение тонких и грубых меток

Ключевая инновация заключается в том, как система обучается различать виды. Вместо одной задачи она решает две сразу. Одна «голова» предсказывает все восемь категорий из основного обучающего набора. Вторая «голова» сосредоточена только на различении двух близкородственных видов Aedes, представляющих особый интерес для общественного здравоохранения. Совместно изучая эти тонкие и более общие различия, модель уточняет границы между легко путаемыми схожими видами и при этом сохраняет распознавание более широкого набора. Во время обучения авторы также целенаправленно пересбалансируют данные, чтобы редкие виды оказывали большее влияние и система не отдавала предпочтение лишь самым частым комарам.

Преобразование сырых оценок в надёжную уверенность

Ещё одно центральное достижение — способ объединения информации из двух визуальных ветвей и двух голов. Вместо простого усреднения их предположений модель учится доверять каждому внутреннему источнику в зависимости от прошлой производительности, процесс, известный как калиброванное стеккинг (calibrated stacking). Затем объединённый балл проходит через простую корректирующую процедуру, называемую температурной шкалировкой (temperature scaling), которая тонко настраивает остроту уровней уверенности. Команда также тестирует каждое изображение несколько раз с небольшими изменениями обрезки и переворотов, усредняя результаты, чтобы уменьшить случайную вариативность. В совокупности эти шаги делают итоговые оценки уверенности близкими к реальным уровням ошибок, даже когда систему применяют к отдельному набору данных, которого она ранее не видела.

Почти идеальная точность в лаборатории и на практике

Чтобы проверить практическую эффективность, авторы обучили и настроили модель на большой коллекции смартфонных изображений с восемью классами, а затем оценили её как на отложенных изображениях из этого набора, так и на полностью отдельном тестовом наборе Aedes. В исходной задаче с восемью классами их метод достигает примерно 99,5% точности, немного, но стабильно превосходя мощные одномодельные базовые варианты и простые ансамбли. На невиданном двухвидовом тесте он правильно опознаёт более 99% изображений. Не менее важно то, что его уверенность хорошо калибрована: когда модель сообщает 90% уверенности, она ошибается примерно один раз из десяти, свойство, которое многие предыдущие системы распознавания комаров не измеряли или не гарантировали.

Что это значит для общественного здравоохранения

Для неспециалистов смысл в том, что эта работа предоставляет не просто высокоточный распознаватель видов, но и систему, чью собственную оценку уверенности можно доверять. Такое сочетание позволяет организациям задавать стабильные правила — например, «проводить проверку любой локации, где модель по крайней мере на 80% уверена, что обнаружен опасный вид» — и ожидать, что эти правила будут работать схожим образом на разных телефонах, в разных регионах и условиях освещения. Хотя проблемы остаются в крайних случаях, таких как очень размытые или сильно закрытые насекомые, предложенная система предлагает практичную, готовую к развёртыванию базу для масштабного мониторинга комаров и закладывает основу для будущих инструментов, способных работать с новыми видами, новыми устройствами и даже дополнительными режимами сенсоров, например звуком.

Цитирование: Nazari, M.Z., Zarchi, M.S., Emadi, S. et al. A novel deep learning approach for mosquito species classification via a dual-head structure and calibration-aware fusion architecture. Sci Rep 16, 7208 (2026). https://doi.org/10.1038/s41598-026-35453-1

Ключевые слова: идентификация комаров, глубокое обучение, мониторинг переносчиков, калиброванный ИИ, классификация изображений