《Smart Agricultural Technology》：Early detection of
Hellula undalis in
Brassica oleracea var capitata L. : a Real-Time Drone based approach using YOLOv8
编辑推荐：
本文针对甘蓝作物中小菜蛾（Hellula undalis）早期危害检测难题，研究团队开发了一种基于无人机（Drone）和YOLOv8深度学习模型的实时视觉检测系统。通过在温室环境下实现无人机自主导航（ORB-SLAM2）与害虫危害特征识别（60%检测精度）的集成，该系统成功在作物生长第二周即可识别害虫危害迹象，为农业病虫害早期预警提供了高效的技术方案，对推动精准农业（Precision Agriculture）发展具有重要意义。
随着全球人口预计到2050年将增长至98亿，农业生产面临前所未有的压力。联合国粮农组织（FAO）报告显示，全球作物产量因病虫害导致的损失高达20%-40%。在甘蓝（Brassica oleracea var. capitata L.）种植中，小菜蛾（Hellula undalis）的幼虫会钻食菜心，导致"歪心"或"死心"现象，传统人工巡查方式效率低下且易漏检。如何实现害虫早期精准监测，成为智慧农业领域亟待突破的技术瓶颈。
近期发表于《Smart Agricultural Technology》的研究提出了一种创新解决方案。墨西哥塞拉曼加高级研究中心（Cinvestav Saltillo）的科研团队成功开发出首套基于无人机和YOLOv8的实时检测系统，能够在温室环境下自主识别甘蓝叶片受小菜蛾危害的早期症状。
研究团队采用多技术融合方案：首先利用大疆Tello无人机采集温室环境数据，通过ORB-SLAM2算法构建三维环境地图；随后创建包含1981张病叶和等量健康叶片图像的数据集，训练YOLOv8深度学习模型；最终实现无人机自主导航与实时检测的集成系统。特别值得关注的是，该系统创新性地通过检测叶片受害状（而非直接识别昆虫个体）进行早期预警，在作物生长第二周即可识别直径仅2毫米的虫卵或危害痕迹。
在技术方法层面，研究主要涉及四个关键环节：一是基于SLAM技术的温室环境地图构建，采用单目ORB-SLAM2算法并辅以ArUco标记增强特征点；二是数据集构建，从3段7分钟飞行视频中提取481张图像，使用CVAT工具标注"健康叶片"和"害虫危害叶片"两类标签；三是YOLOv8模型训练，采用1024像素分辨率、300轮次迭代参数；四是自主导航控制系统，设计PID控制器实现无人机在四个航点间的精准定位。
研究结果方面：
在"地图创建"部分，通过手动飞行采集数据生成密集点云地图，成功将实际温室环境转化为数字孪生模型，为自主导航奠定基础。
"害虫识别测试"显示，训练后的YOLOv8l模型对四周苗龄的甘蓝检测效果显著，能准确框定受害叶片。在成熟期甘蓝检测中，模型同样表现出良好的适应性，证明其具备跨生长阶段的识别能力。
关键的"实时害虫检测实验"部分：第一周监测因叶片过小未能有效识别，但无人机沿预设航线的导航精度达到误差仅0.03米。第四周实验通过布设18个标记点（9个受害株/9个健康株）验证，系统实现94.4%的识别准确率（17/18），仅出现1例假阳性。整个监测任务仅需2.33分钟，效率较人工巡查提升显著。
研究结论表明，该系统首次实现了温室环境下小菜蛾的实时检测，检测精度达60%，且在作物生长第二周即可发挥作用。相较于人工巡查，无人机监测范围可达1950米（人工仅1300米），在高温高湿的温室环境中更具应用优势。讨论部分指出，当前主要局限在于数据集规模较小导致的假阳性问题，未来通过扩大样本量和引入多物种检测可进一步提升系统可靠性。
这项研究的突破性在于将农业害虫检测从"事后发现"推进到"早期预警"阶段，通过无人机-人工智能的协同创新，为精准农业提供了可落地的技术范式。随着算法优化和硬件升级，这种模式有望推广至番茄、黄瓜等高位作物监测，推动现代农业向数字化、智能化方向加速转型。
