面向 \textit{Anastrepha pseudoparallela} 群物种的分类研究

由于 \textit{Anastrepha} 物种在 \textit{pseudoparallela} 群中形态相似性强且地理分布广泛，导致该群物种鉴定困难。该群包括 31 种果蝇，主要是影响 passion fruit 作物的害虫。通过对标本翅膀和刺部的形态特征进行鉴定来识别这些物种。鉴于该群物种鉴定的重要性以及数据稀缺与类别不平衡带来的挑战，本文致力于利用深度学习方法自动化对 \textit{Anastrepha chiclayae} Greene、\textit{Anastrepha consobrina} (Loew)、\textit{Anastrepha curitibana} Araújo, Norrbom \& Savaris、\textit{Anastrepha curitis} Stone 以及 \textit{Anastrepha pseudoparallela} (Loew) 五种物种的分类，并设计基于翅膀结构的新特征。我们探索了迁移学习方案，提出了基于每片翅膀结构的新特征集合。采用双退火算法优化深度神经网络、随机森林、决策树和支持向量机的超参数，并结合自编码器和 SMOTE 算法以应对类别不平衡问题。我们使用来自 5 种物种的 127 张高质量图像数据集，并采用三折交叉验证进行训练、调参和测试，共计六种排列组合以评估学习算法的性能。我们的发现表明， novel approach 结合特征提取与机器学习技术，可提升该稀有 \textit{Anastrepha pseudoparallela} 群物种的分类准确率，其中 SMOTE 与随机森林算法组合实现的平均性能为 0.72（基于所有物种的各自准确率均值）。