《Machine Learning with Applications》：AI-driven detection of tiny pests in foliage: Integrating image processing and deep learning
编辑推荐：
本研究针对复杂环境下叶片微小害虫检测难题，创新性地提出了一种融合传统图像处理与深度学习技术的混合检测框架。通过MSER、ORB等算法高效定位可疑区域，结合VGG16、MobileNet等CNN架构进行精准分类，在杏仁园和LeLePhid数据集上分别达到92.3%和94.7%的检测准确率。该方法显著提升了对 camouflaged insects 的识别灵敏度，为农业害虫智能化监测提供了高效解决方案。
在智慧农业蓬勃发展的今天，农作物害虫的早期检测一直是制约精准农业发展的技术瓶颈。传统人工巡查方式效率低下，而现有基于计算机视觉的检测系统在真实田间场景中表现不佳——特别是面对那些体型微小、分布稀疏或具有伪装色的昆虫时，主流的目标检测算法往往显得力不从心。这主要是因为常规深度学习模型在处理复杂背景中的微小目标时存在先天不足：卷积神经网络中的下采样和池化层会导致细粒度特征丢失，而通用检测器（如YOLO、R-CNN等）使用的大尺寸锚框极易忽略微小昆虫的存在。
针对这一技术难题，来自西班牙塞维利亚大学电子工程系的Lucía Baeza-Moreno研究团队在《Machine Learning with Applications》上发表了一项创新研究，提出了一种将传统图像处理技术与深度学习相融合的混合检测框架。该研究摒弃了直接使用深度学习模型在全图像中搜索微小昆虫的传统思路，转而采用了一种更为巧妙的策略：先利用轻量级的图像处理算法快速定位可疑区域，再交由卷积神经网络进行精细判别。
研究人员采用的核心技术方法主要包括：基于Canny边缘检测的模糊区域过滤、MSER（最大稳定极值区域）和ORB（定向FAST和旋转BRIEF）特征检测算法用于候选区域生成，以及基于VGG16、MobileNet等多种预训练CNN架构的迁移学习分类模型。实验数据来源于实地采集的杏仁园害虫图像和公开的LeLePhid数据集。
2. 设计思路
研究团队创新性地将检测任务分解为定位和分类两个子任务。图像处理阶段负责扫描整幅图像，利用昆虫在叶片上呈现点状或斑块状的特征，通过MSER和ORB算法快速识别出可能包含昆虫的候选区域。这些区域被动态提取并调整为标准尺寸后，输入到卷积神经网络中进行真伪判别。这种分工协作的模式充分发挥了传统算法在微小目标检测上的效率优势，同时保留了深度学习模型在特征学习和分类上的强大能力。
3. 实验结果
3.1 杏仁园蚜虫检测
在实地采集的杏仁园数据集中，研究团队首先通过预处理阶段对图像进行直方图均衡化照明校正，并利用Canny边缘检测结合方差分析剔除模糊区域。在候选区域识别环节，MSER和ORB算法表现出良好的互补性，成功定位到2231个候选区域。使用VGG16架构进行迁移学习训练后，模型在测试集上达到了92.3%的准确率和0.923的F1分数，显著优于ResNet、MobileNet等其他对比架构。
消融实验进一步验证了混合方法的优越性：纯图像处理方法虽然召回率高但特异性差；而纯CNN方法（将图像均匀分割为图块）虽然准确率最高（93%），但计算成本是混合方法的两倍。通过Grad-CAM（梯度加权类激活映射）技术对模型决策过程的可视化分析显示，网络确实学会了关注昆虫所在的纹理特征，而不是无关的照明或边缘信息。
3.2 LeLePhid数据集实验
在公开的LeLePhid数据集上的跨域验证表明，该方法具有良好的泛化能力。Xception网络在该数据集上表现最佳，达到94.7%的准确率，而之前在杏仁园数据集上训练的VGG16模型仍能保持72%的准确率，证明了方法的鲁棒性。
4. 与现有方法的比较
与R-CNN等传统区域提议方法相比，本研究采用的图像处理引导的区域生成策略计算效率显著提升（秒级vs分钟级）。与YOLOv4、YOLOv8-n等现代检测器对比，混合方法在微小昆虫检测任务上表现更为出色，避免了通用检测器对微小目标的忽略问题。即使引入SAHI（切片辅助推理）等先进的分块检测策略，其性能与混合方法相当但计算成本更高。
5. 结论
该研究证实了传统图像处理与深度学习融合策略在农业害虫检测领域的实用价值。通过将复杂的检测任务分解为高效的区域提议和精准的分类验证两个阶段，既克服了纯图像处理方法特征表达能力有限的缺点，又规避了纯深度学习模型对微小目标不敏感的弊端。特别值得一提的是，该方法在保持较高检测精度的同时，在NVIDIA Jetson Orin Nano等边缘设备上实现了单张图像12.3毫秒的处理速度，为田间实时害虫监测系统的实际部署奠定了技术基础。这种"先定位后判别"的框架思想对于其他领域的微小目标检测任务也具有重要的借鉴意义。
