Deeppestnet：一个用于高性能农作物害虫识别的端到端框架

《Computational Biology and Chemistry》：Deeppestnet: An End-to-End Framework for High-Performance Crop Pest Recognition

针对农业病虫害检测中存在的图像质量差、多尺度特征提取不足及模型复杂度高等问题，提出DeeppestNet模型。通过CLAHE增强图像对比度，AP-CSP骨干网络实现多尺度特征提取，结合GPA-BiLSTM捕捉时空特征关系，并采用GW-SSO优化超参数，显著提升检测精度和计算效率，在IP-102数据集上表现优于EfficientNet。

　　

K S Guruprakash|P Siva Karthik|A Ramachandran|K Gayathri

印度泰米尔纳德邦特里奇市K.Ramakrishnan工程学院计算机科学与工程系，邮编621112

摘要

准确高效的作物害虫识别对可持续农业至关重要。然而，嘈杂的背景区域会干扰特征提取过程，使得准确识别作物害虫变得困难。此外，由于数据有限和算法复杂性较高，害虫识别仍然具有挑战性。本文提出了一种基于图金字塔注意力机制的双向长短期记忆（GPA-BiLSTM）模型DeeppestNet来解决这一问题。为了提高识别效果，首先使用对比度自适应有限直方图均衡化（CLAHE）方法来提升图像质量。自适应金字塔注意力模块结合跨阶段部分（AP-CSP）主干网络，旨在提供细粒度特征区域的丰富特征图。为了获取多尺度空间特征并通过图形关系提升识别能力，还采用了多层金字塔结构。最终分类采用基于图的BiLSTM（G-BiLSTM），并通过灰狼-萨尔普群优化（GW-SSO）技术进一步提高准确性。将G-BiLSTM与CNN主干网络结合使用时，能够提取出具有空间和时间依赖性的稳健多维结构特征。此外，GW和SSO的集成通过保证高精度、快速收敛以及平衡探索与利用策略，提升了模型性能。使用IP-102数据集对所提出的害虫检测方法进行了评估，评估指标包括f值、召回率等。实验结果表明，DeeppestNet的准确率比EfficientNet高出4.6%。实验结果证明，该方法优于大多数先进的深度学习（DL）算法。

引言

农业对全球人类和牲畜的生存具有重要意义（Chen等人，2021年）。作物害虫会影响作物产量，是农业领域的一个主要问题。农民使用杀虫剂来减少害虫和昆虫对作物的破坏（Coulibaly等人，2022年）。早期害虫检测仍是一个重大挑战。害虫具有多样的形态和生长阶段，且体型较小，常隐藏在叶片中，因此需要高度的识别能力。自动害虫检测有助于避免疾病并减少损失，同时提高人力资源效率并降低杀虫剂成本（Ngugi等人，2021年）。在精准农业中，害虫的定位、识别和检测面临诸多挑战。智能农业系统依赖自动作物病害监测和检测来提高生产力（Thakur等人，2023年）。

开发能够替代传统人工方法的准确、实时的害虫检测策略非常重要（Suto，2023年）。机器视觉技术如尺度不变特征变换（SIFT）和损失函数被用于害虫识别，以确保自动和快速的定位。基于支持向量机（SVM）的方法在处理包含阴影、云层效应、阳光亮度和背景条件的复杂环境时，无法提供有效的特征表示（Sourav和Wang，2023年；Kasinathan和Uyyala，2021年）。复杂的背景会影响目标特征提取，降低害虫识别的准确性（Yang等人，2021年）。背景信息过滤和特征增强有助于提高害虫识别效果（Xu等人，2024年）。为了恢复识别准确性，需要对多级别的害虫特征进行评估。地理环境和害虫扩散情况会影响稀有类别的检测（Albattah等人，2023年；Deepika和Arthi，2022年）。

近年来，基于深度学习（DL）的方法，包括CNN、Inception-v3、VGG-19和ResNet-50，已被用于作物害虫识别（Yang等人，2023年；Talukder等人，2023年；Ullah等人，2022年）。此外，可解释人工智能（XAI）和混合智能方法也被应用，其性能可以通过可解释或透明的方式实现（Wani等人，2024年；Saharan等人，2025年；Singh等人，2025年）。害虫的类别间相似性和类别内差异会影响分类任务（Li等人，2022年）。此外，害虫分布不均也会影响识别过程（Karar等人，2021年；Feng等人，2022年）。迁移学习中的微调方法被用来提取局部特征，从而提高了识别准确性（Venkatasaichandrakanth和Iyapparaja，2023年）。近年来，包括状态空间模型（Wang等人，2024年）、基于权重的集成方法（Chen等人，2024年）、实时对象检测网络（Wang等人，2024年）、Deep Steps和Wide Steps ResNet（Nguyen等人，2024年）、全局上下文变换Inception ResNet V3（Li等人，2024年）等方法也被用于作物害虫识别（Zheng等人，2023年；Tang等人，2025年；Qiao等人，2025年）。

DeeppestNet提供了一个完全自动化的流程，能够适应现实世界数据的变异性。通过深度上下文建模实现细粒度害虫分类，得益于注意力模块和优化控制，从而保证了模型的泛化能力和可解释性。尽管DeeppestNet包含多个组件，但每个组件都比现有的DL方法更具可解释性和计算效率。在现有方法中，由于过拟合、泛化能力差和特征不足，作物害虫识别效果不佳。在预处理阶段，使用CLAHE提升图像质量以减轻实际场景中的对比度变化。为了解决复杂性问题、过拟合和泛化能力差的问题，本文提出了AP-CSP技术。多层金字塔结构提供了多尺度特征表示，并实现了有效的特征重用和参数最小化。此外，G-BiLSTM能够捕捉特征之间的依赖关系，而不会增加额外复杂性。为了提高识别准确性，通过GW-SSO调整G-BiLSTM的参数，实现了更少的冗余、更稳定的收敛和更好的泛化能力。

EfficientNet和DeepCropNet基于深度卷积进行特征提取，这些方法在作物害虫识别方面具有较高的准确性。尽管能够捕捉到细粒度特征和上下文特征关系，但由于建模不足，这些方法的准确性仍有提升空间。同时，DeeppestNet通过CLAHE和AP-CSP改善了对比度并捕捉到了细粒度特征表示，提高了泛化能力，且无需额外参数。此外，基于图的BiLSTM分析了提取特征之间的上下文关系。为了提高识别准确性，使用GW-SSO优化参数，确保了更好的收敛性和更低的复杂性。

所提出的作物害虫识别方法具有以下创新贡献：

•

通过采用对比度放大限制方法，CLAHE防止了噪声的过度放大，这在光照条件变化的情况下尤为重要。此外，保留了原始图像中的关键特征，从而提高了识别性能。

•

通过开发基于自适应注意力模块和金字塔结构的高效特征提取算法，实现了多尺度特征学习。自适应注意力模块根据全局和局部信息选择有信息量的特征，同时抑制了无关特征的影响。

•

通过GPA-BiLSTM捕捉判别性的时间和空间模式，实现了细粒度特征编码。该模块在正向和反向方向上处理图像表示，允许对细粒度视觉模式进行上下文感知的编码。通过建模图像特征的层次依赖关系，实现了精确的表示。

•

通过使用GW-SSO进行超参数优化，提高了模型性能。BiLSTM的超参数在计算开销较小的情况下得到了优化。在农业图像分析中，这种方法适用于复杂模型，因为其收敛速度快且简单。

本文的主要目标是开发一种新颖、准确、稳健且易于扩展的作物害虫识别方法，同时降低复杂性。这可以通过解决泛化、过拟合和复杂性相关的问题来实现。通过AP-CSP提取具有丰富特征图的细粒度区域，从而捕捉多尺度空间关系。此外，基于GW-SSO的超参数调整支持稳健且准确的分类，同时降低复杂性。

本文的其余部分安排如下：第2节探讨了最新的害虫识别方法及其优缺点；第3节详细描述了所提出的作物害虫识别方法；第4节讨论了实验结果；第5节给出了结论。

相关研究

与所提出的作物害虫识别相关的研究如下：

农业经济的发展受到害虫问题的影响。在实际应用中，害虫识别通常针对单一害虫类别。Lijuan Zhang等人（2023年）研究了YOLOv5 DL算法，旨在识别102种害虫类别。这一目标可以通过基于MobileNetV3网络的轻量级算法C3M来实现。C3M需要较少的内存，并具有较高的推理效率

提出的方法论

害虫对作物产量构成重大威胁，并对人类财富产生负面影响。识别和分类各种类型的害虫对于防止作物产量损失至关重要。使用计算机视觉技术进行手动检测效率低下且效果不佳。现代农业需要低成本高效率的基于深度学习的智能害虫识别方法。新的害虫识别方法是基于IP-102数据集开发的

实验评估

所提出的方法将使用Python软件进行测试，并与其他已使用的方法进行比较。新方法将与已提出的方法（如CNN（Li等人，2019年）、VGG16（Ye等人，2019年）、ResNet（Liu等人，2020年）、EfficientNet（priorDevi等人，2023年）和MobileNet（Dan等人，2019年）进行对比。所有实验均进行10次独立运行以确保结果的可靠性。每次运行都采用相同的训练和验证分割方式

结论

本文采用基于GPA-BiLSTM的DL方法进行害虫识别。基于金字塔的结构可以获取丰富的特征，图基技术实现了高效的害虫识别。通过混合优化技术进一步改进了所提方法的效果，从而实现了最佳的害虫识别。使用IP-102数据集对所提方法进行了分析，并使用了相关的分类指标

资金信息

本手稿的编写未获得任何资助。

未引用的参考文献

(Anwar和Masood，2023年；Li等人，2023年；Li等人，2022年；Wang和Fu，2024年；Wani等人，2024年；Xue等人，2023年)

CRediT作者贡献声明

K Gayathri：撰写——审稿与编辑、验证、资源管理、数据整理。

K S Guruprakash：撰写——初稿撰写、验证、软件开发、项目管理、调查、概念化。

A Ramachandran：撰写——初稿撰写、监督、项目管理、资金获取、概念化。

P Siva Karthik：撰写——审稿与编辑、可视化、监督、资源管理、方法论设计、资金获取、数据整理。

利益冲突声明

不存在利益冲突