《Smart Agricultural Technology》：Detection and prediction of wheat pests in complex agricultural environments with an advanced intelligent framework
编辑推荐：
小麦是全球关键的主食作物，田间害虫的精准检测对于精准农业、可持续害虫防控及环境保护至关重要。然而，由于害虫体型微小、背景复杂以及发育阶段差异，可靠识别仍面临挑战。本研究引入了一个名为小麦绿盲蝽叶片威胁害虫形态（Wheat Greenbugs Leaf Thre
小麦是全球关键的主食作物，田间害虫的精准检测对于精准农业、可持续害虫防控及环境保护至关重要。然而，由于害虫体型微小、背景复杂以及发育阶段差异，可靠识别仍面临挑战。本研究引入了一个名为小麦绿盲蝽叶片威胁害虫形态（Wheat Greenbugs Leaf Threat Pest form, WGLTPF）的原始数据集，涵盖整个生长阶段并包含初始基准评估。进一步提出了自动化图像处理改进形态（Automated Image Processing Improvement Form, AIPIF），以提升图像质量、抑制噪声并降低计算成本。基于这些组件，开发了一种集成CR-ELAN模块的轻量级检测模型P-YOLOv12s，旨在提高特征提取效率的同时保持实时性能。随后开发了用于小麦病虫害增强现实（Augmented Reality, AR）的移动应用程序。实验结果表明，所提方法在绿盲蝽数据集上的mAP50达到92.36%，在标准数据集D1（97类）、D2（10类）和D4（1类）上的准确率分别为95.43%、91.60%和88.80%。相较于基线模型，该方法在精度和效率上均表现更优，展示了在真实小麦害虫监测及可持续农业应用中的强大潜力。
该研究针对小麦复杂田间环境下害虫检测面临的微小目标识别难、背景干扰大及现有数据集匮乏等核心问题，系统阐述了从数据构建到模型优化的全流程创新。研究人员首先构建了WGLTPF数据集，涵盖小麦全生育期绿盲蝽的不同形态及复杂光照环境，并通过AIPIF算法进行图像预处理以增强特征显著性。在此基础上，提出了融合CR-ELAN模块的P-YOLOv12s轻量级检测模型，结合注意力机制优化特征提取路径，并开发了配套的AR移动应用。研究结果表明，该框架在保持模型轻量化的同时显著提升了检测精度与鲁棒性，为田间实时害虫监测提供了高效解决方案。论文发表于《Smart Agricultural Technology》。
关键技术方法包括：构建包含健康与绿盲蝽两类样本的WGLTPF数据集，覆盖正常、强光及复杂背景场景，经Roboflow平台人工标注；设计自动化图像处理改进形态（AIPIF），通过定制非锐化掩模（Unsharp Mask Filter, UMF）和直方图均衡化（Histogram Equalization, HE）提升图像质量；基于YOLOv12架构改进，引入残差高效层聚合网络（CR-ELAN）替代传统卷积，优化骨干网络与颈部特征融合路径；采用平均精度均值（mAP）、帧率（FPS）及浮点运算量（GFLOPs）等指标进行模型性能评估。
4.1 WGLTPF数据集的深度神经网络初始检测评估
研究人员通过在原始WGLTPF数据集上对YOLOv8至YOLOv12系列共23种模型进行基准测试发现，YOLOv8n、YOLOv9m、YOLOv10x、YOLOv11n及YOLOv12s在特定指标上表现较优，但其mAP50值普遍低于68%。其中YOLOv12s在绿盲蝽独立样本检测中达到55.00%的可靠性，但在重叠样本和复杂环境下的检测效率仅为80.00%和87.00%，表明现有通用模型在处理小麦田间微小害虫时仍存在特征提取能力不足的问题。
4.2 基于先进深度神经网络的害虫检测与预测
选取前期表现最优的五种基线模型与提出的P-YOLOv12s进行对比实验。结果显示，P-YOLOv12s在WGLTPF数据集上的Precision达到94.86%，Recall为95.86%，mAP50高达92.36%，显著优于YOLOv8n（83.50%）、YOLOv9m（87.80%）及YOLOv12s基线（85.70%）。该模型在保持轻量化参数规模（9.1M）和计算复杂度（21.1 GFLOPs）的同时，推理时间缩短至3小时1分53秒，且在遮挡、运动模糊及多尺度变化等复杂场景下置信度维持在0.62-0.94区间，验证了CR-ELAN模块对梯度流优化和特征复用增强的有效性。
4.3 建议方法的评估场景
4.3.1 标准数据集
在跨数据集验证中，P-YOLOv12s在包含97类昆虫的D1数据集、10类农业害虫的D2数据集及2133张瓢虫图像的D4数据集上分别取得95.43%、91.60%和88.80%的准确率。通过对小麦植株各器官（芒、穗、叶、茎、根）的全株分析及绿盲蝽解剖学特征区分，证实该模型能够有效辨识与绿盲蝽形态相似的多种蚜虫种类，解决了传统方法因症状相似导致的误判难题。
讨论部分指出，现有研究虽在存储谷物害虫检测中取得进展，但缺乏面向田间小麦害虫的公开数据集及全生命周期验证。P-YOLOv12s通过AIPIF预处理消除环境噪声，利用CR-ELAN实现多尺度特征的高效聚合，其mAP50较传统YOLO模型提升约5-8个百分点。研究结论强调，该框架首次实现了小麦绿盲蝽从数据采集、模型训练到AR应用部署的完整技术链，为智慧农业中的害虫早期预警提供了高精度、低延迟的解决方案，对减少化学农药滥用及保障粮食安全具有重要实践价值。
