原文链接:
https://doi.org/10.1016/j.crfs.2026.101374
(文末点击阅读原文)
欧盟自2017年允许在动物饲料中使用昆虫源加工动物蛋白（PAPs），但受限于严格的法规——仅8种昆虫获批、禁止用于反刍动物——官方检测面临严峻挑战。传统光学显微镜检测完全依赖人工经验，特异性问题突出（植物结构如小麦糊粉层易误判为昆虫），且昆虫幼虫研磨后形态极其多样，即使资深专家也难以稳定区分物种。比利时瓦隆农业研究中心联合蒙斯大学在《Current Research in Food Science》发表研究，首次将深度学习引入昆虫PAPs显微检测，构建了YOLOv5目标检测+ConvNeXt-Transformer混合架构，实现昆虫vs非昆虫二分类（MCC0.922、准确率97.5%）及黄粉虫vs黑水虻的物种区分（MCC0.919、准确率97.2%），并成功部署于数字显微镜实现实时辅助检测，为饲料官方控制提供了首个经严格验证的AI决策支持工具。
图1 为昆虫颗粒检测开发的人工智能工作流程的示意图核心贡献：本研究首次将深度学习与光学显微镜结合，构建了能够自动识别并区分饲料中昆虫源加工动物蛋白（PAPs）的人工智能模型。该模型不仅能够准确区分昆虫与非昆虫颗粒，还能在黄粉虫和黑水虻两个物种间实现高精度鉴别，其性能在特定场景下已超越人类专家，为欧盟官方饲料检测提供了突破性的辅助决策工具。一、研究背景
欧盟虽已批准将昆虫蛋白用于水产、禽类等饲料，但严禁用于反哺动物。现行官方检测仅依赖光学显微镜，面临两大痛点：- 特异性差：植物结构（如小麦糊粉层）易与昆虫角质层混淆，导致假阳性。
- 物种识别难：幼虫研磨后碎片形态极为多样，即便资深专家也难以稳定区分黄粉虫与黑水虻。
二、技术路线
研究团队构建了一套“YOLOv5目标检测 + ConvNeXt-Transformer”混合架构模型。训练数据涵盖黄粉虫（502个颗粒）、黑水虻（747个颗粒）及多种易混淆的非昆虫基质（小麦麸、鱼粉等，共4915个颗粒），所有图像由专家逐一手动标注。三、核心性能
二分类（昆虫 vs 非昆虫）：Matthews相关系数（MCC）达0.922，准确率97.5%。模型对非昆虫的特异性高达98.7%，采用“宁可漏过，不可误报”的保守策略。三分类（黄粉虫 vs 黑水虻 vs 非昆虫）：全局MCC达0.919，准确率97.2%。其中黑水虻的识别尤为可靠（MCC=0.951），因其角质层形态更具区分度。图2 分类性能（MCC）在参数数量和轻量级模型数量方面的优化比较。FPS：帧率;M：百万参数。四、实时部署与专家对比
团队进一步开发了仅450万参数的轻量化实时检测模型，可在普通笔记本电脑连接的数字显微镜上以11毫秒/帧的速度运行，实时输出颗粒边界框与置信度分数。图3 用数字显微镜自动预测模型的示意图，显示边界框及相关置信度分数。关键验证：在纯黑水虻玻片测试中，AI正确识别了23%-30%的昆虫颗粒，而三位人类专家的识别率仅为15%-18%。这证明在敏感性和一致性方面，AI已具备超越人类专家的潜力。五、可解释性验证
通过t-SNE降维可视化，模型提取的特征使三类样本形成清晰分离的簇；Grad-CAM热力图显示，模型正确关注了刚毛、硬化角质层等真正的昆虫分类学特征，而非简单的图像背景噪声。图4 学习特征的 t-SNE 投影。T. molitor样本以蓝色表示，H. illucens以橙色表示，非昆虫样本以绿色表示。∗，鱼骨颗粒子簇。图5 Grad-CAM 的判别区域可视化。用 Grad-CAM 生成的热图展示了最具影响力的粒子区域：颜色越接近红色，影响力越大。六、价值与局限
应用价值：该方法可直接嵌入现有官方检测流程，标准化分析、减少主观误判、大幅提升筛查效率。作为辅助工具，AI可快速标记可疑颗粒，供专家复核确认。主要局限：当前数据集仅覆盖两种主要昆虫，且未纳入成虫碎片；超小（<50μm）或超大（>250μm）颗粒的识别性能尚待优化。总结
本研究证明，深度学习能够有效解决饲料显微检测中“形态高度异质”这一核心难题，实现了从“辅助人工”到“特定场景下超越人工”的跨越，为饲料安全监管提供了极具潜力的AI解决方案。
10个月宝宝每天需要喝多少奶粉？
