通过虫害检测可以了解害虫的分布规律和季节性变化规律制定合理的防治方案,为农业管理提供科学依据,以提高农作物的产量和质量
[1]。早期的虫害检测主要是靠有经验的专家通过对农作物叶片的感官识别来判定,耗时费力
[2, 3],且判定结果准确率低下。近几年计算机视觉检测技术与深度学习卷积神经网络的蓬勃发展,为农作物虫害检测提供了新的解决方案
[4]。深度学习卷积神经网络(Convolutional Neural Networks, CNN)的出现,相比传统图像检测算法具有更丰富的特征提取能力,提高了检测准确率和精度。具有代表性的有AlexNet
[5]、VGGNet
[6]、GoogLeNet
[7]、ResNet
[8]、DenseNet
[9]、Faster RCNN
[10]和YOLO(You Only Look Once)系列
[11-15]等算法。随着深度学习的快速发展,正在逐渐应用于农作物害虫检测的识别研究。王建和徐闯
[16]使用YOLOv5s目标检测算法进行脐橙虫害检测,对9类虫害检测的均值平均精度(Mean Average Precision, mAP)值达到81.46%。Fuentes等
[17]在番茄病虫害中使用不同元架构和深度学习特征提取相结合的方法设计检测网络。何颖
[18]采用加权双向特征融合技术修改自适应Anchor计算方法优化YOLOv5网络模型,在20种林业虫害的图像上测试平均精度均值mAP达到92.3%。Reza等
[19]结合迁移学习和数据增强的策略训练模型实现害虫种类识别。Chen等
[20]使用多种深度学习目标检测算法对害虫进行基于边缘计算平台的检测研究,YOLOv4取得了最高的检测精度。魏陈浩等
[21]提出了一种YOLOv8n_T方法,构建了基于可变形卷积的D_C2f块,增加了双层路由注意力模块,在BDD100K数据集上的平均精度比原始YOLOv8n提升6.8%,比YOLOv5n提升了11.2%。Li等
[22]提出基于CNN的从粗到细的网络(Coarse-Fine NetWork, CFN)对微小和密集分布的蚜虫进行识别检测,使用细粒度卷积神经网络(Fully Connected Neural Network, FCNN)来细化检测群中的蚜虫区域。上述研究通过优化深度学习目标检测网络结构,解决了常规视觉检测模型针对害虫识别率不高、特征提取难的问题,在农业生产中区分害虫种类精准施药有较好的应用前景,但其方法存在耗时长、成本高、技术难度大、复杂场景识别困难等问题,不利于推广应用。