《Smart Agricultural Technology》：A lightweight detection model for fruit flies based on KSGM-OMN
编辑推荐：
本研究针对农业领域中传统果蝇检测方法依赖农药、效率低下且污染环境的问题，提出了一种基于KSGM-OMN的轻量级深度学习检测模型。该研究通过创新的对象映射网络和自适应门控AGT推理机制，在保持较低参数量的同时，显著提升了检测速度与精度，为实时、精准的农业病虫害智能监测提供了高效解决方案，具有重要的应用价值。
在农业生产的广阔天地中，果蝇等微小害虫正悄然成为蔬果产业的“隐形杀手”。这些害虫通过幼虫蛀食果实，导致腐烂，严重影响农作物的产量与品质，给农户带来巨大的经济损失。例如，仅在广东省，由桔小实蝇和瓜实蝇造成的经济损失就高达数十亿元。更为棘手的是，传统防治方法过度依赖化学农药，这不仅造成了生态环境污染，也给食品安全埋下了隐患。在此背景下，发展准确、高效的害虫智能监测技术，成为了现代农业研究和实践的迫切需求。特别是在复杂果园环境中，果蝇目标微小、背景干扰复杂，现有检测技术常常面临精度与实时性难以两全的窘境。为了应对这一挑战，邓宏、蒙繁宏、王祖明等研究人员在期刊《Smart Agricultural Technology》上发表了他们的研究成果，探索如何在保证检测精度的同时，显著提升模型速度，以满足大规模、实时监测的实际应用需求。
研究人员开展本项研究所用到的主要关键技术方法包括：构建了包含四种果蝇（Bactrocera tau, Bactrocera scutellata, Bactrocera cucurbitae, Bactrocera dorsalis）图像的自建数据集Drosophila-Four以及利用公开的农业害虫检测基准数据集IP102进行模型训练与评估；以YOLOv7-tiny为基准网络，融合了SimAM注意力机制以增强对小目标特征的表征能力；设计了GSCBL和GSELAN轻量化模块替换原网络颈部的部分结构以减少参数量和计算复杂度；并创新性地提出了对象映射网络（Object Mapping Network, OMN）与自适应门控目标（Adaptive Gating Target, AGT）推理机制，用于高效筛选包含目标的网格，从而加速推理过程。
研究结果
- •
1. 引言
通过背景分析，研究阐明了果蝇危害的严重性以及传统检测与控制方法的局限性，指出了发展基于深度学习的轻量、高效、实时果蝇检测技术的必要性与重要意义，为本研究的开展奠定了坚实的逻辑基础。
- •
2. 相关工作
系统回顾了传统机器学习与深度学习在农业害虫检测领域的研究现状，分析了包括支持向量机（SVM）、YOLO系列等现有方法的优势与不足，特别是针对小目标果蝇检测时普遍存在的特征表达弱、精度与速度矛盾以及复杂背景鲁棒性差等关键瓶颈问题，明确了本研究的创新起点。
- •
3. KSGM-OMN模型设计
研究团队提出了核心的KSGM-OMN模型。其核心创新在于引入了对象映射图网络（OMN），该网络是一个轻量化的全卷积网络，能够动态选择高质量的正样本，并通过设计的中心分配策略算法生成目标映射图。在训练中，该网络采用Focal Loss函数来应对正负样本不均衡问题。在推理阶段，配套的自适应门控目标（AGT）机制能够精确筛选出包含目标的网格，舍弃大量背景网格，从而大幅减少了后续检测网络的计算量。此外，模型还在骨干网络中集成了SimAM注意力机制以增强特征提取，并在颈部网络中设计了基于GSConv的GSCBL和GSELAN模块以实现轻量化。
- •
4. 实验结果与分析
研究在自建的Drosophila-Four数据集和公开的IP102数据集上进行了充分的实验验证。评价指标主要包括平均精度均值（mean Average Precision, mAP@0.5）和每秒帧数（Frames Per Second, FPS）。对比实验结果表明，提出的KSGM-OMN模型在多个主流检测模型中表现优异。在Drosophila-Four数据集上，KSGM-OMN以6.41M的参数和13.3 GFLOPS的计算量，取得了72.1%的mAP@0.5和40 FPS的检测速度，相比前序工作KSGM-YOLO（71.2% mAP, 31 FPS）在精度和速度上均有显著提升，也优于同期的YOLOv8s、YOLOv10s、YOLOv11s以及RT-DETR等模型。在IP102公开数据集上的实验进一步证明了模型的泛化能力，KSGM-OMN取得了85.9%的mAP和53 FPS的速度，均优于对比模型。消融实验证实了选择骨干网络深层特征C5作为OMN输入以及各个改进模块（SimAM、GSCBL/GSELAN、OMN+AGT）的有效性。可视化分析（如Grad-CAM）直观显示，改进后的模型能更有效地将注意力集中在果蝇目标区域，抑制复杂背景干扰。
研究结论与讨论
本研究成功设计并验证了一种名为KSGM-OMN的轻量级小目标果蝇检测模型。该模型的核心贡献在于提出了对象映射图网络（OMN）与自适应门控推理（AGT）机制，这一组合创新性地实现了在推理过程中对无效背景区域的快速过滤，使得检测器能够聚焦于更少但信息更丰富的像素，从而在保持高精度的同时大幅提升了检测速度。此外，模型中集成的SimAM注意力机制和基于GSConv的轻量化颈部模块，也分别从增强小目标特征表达和降低模型复杂度两个维度对性能做出了贡献。
实验数据有力地支撑了上述结论。KSGM-OMN模型在自建和公开数据集上均达到了当前主流轻量化检测模型中的先进水平，特别是在检测速度（FPS）上表现突出，实现了40 FPS以上的实时检测能力，且模型参数量控制在较低水平。这解决了现有小目标检测模型普遍存在的“精度-速度”权衡难题，为在计算资源有限的农业边缘设备（如移动终端、嵌入式系统）上部署高效的实时害虫监测系统提供了可行的技术方案。
该研究的意义不仅在于提出了一个性能优异的特定模型，更在于其方法论上的启示：通过设计前置的、轻量的目标区域筛选机制，可以高效优化整个检测流程，这对其他类似的小目标、复杂背景下的实时检测任务具有重要的借鉴价值。研究成果有望推动智能农业害虫监测从实验室走向田间地头，帮助农民实现早期精准防控，减少农药过度使用，保障农业生产安全与生态可持续性，是智慧农业发展中一项具有重要实践意义的技术创新。
