《Engineering Applications of Artificial Intelligence》：Development and application of a new cotton aphid detection network under complex background
编辑推荐：
梁亮亮|赵凤杰|谢金普|常静|乔新建|李向宇|乔洪波河南农业大学信息与管理科学学院，郑州，460045，中国河南省摘要开发蚜虫检测方法及其应用对于棉花的智能化管理具有重要意义。然而，从自然图像中识别棉花蚜虫面临着目标体型小、密度高和背景噪声大的挑战。在本研究中，我们嵌入了改进的标
梁亮亮|赵凤杰|谢金普|常静|乔新建|李向宇|乔洪波
河南农业大学信息与管理科学学院，郑州，460045，中国河南省
摘要
开发蚜虫检测方法及其应用对于棉花的智能化管理具有重要意义。然而，从自然图像中识别棉花蚜虫面临着目标体型小、密度高和背景噪声大的挑战。在本研究中，我们嵌入了改进的标准化注意力模块（NAM）和Swin-Transformer（ST）来重构“你看一次就够了”（YOLO）结构的基础框架，从而构建了一个适用于自然环境中的棉花蚜虫检测的改进型YOLO模型。NAM通过通道和空间注意力子模块实现小目标检测；ST则为复杂背景下的目标检测提供全局信息。此外，我们采用混合损失函数来解决小目标在复杂背景下的特征不平衡问题。该改进型YOLO在收集的棉花蚜虫数据集上表现出优异的性能，平均检测准确率（mAP50）达到93.36%，精确度为95.57%。与现有的基于YOLO的检测器相比，该模型在复杂背景条件下具有显著提升的优势，尤其是在目标密集且体型小的场景中。进一步地，我们将该检测网络与人工智能（AI）音频眼镜集成，实现了通过语音指令获取和检测棉花蚜虫图像的功能。我们的研究为棉花蚜虫的智能检测产品研究提供了AI应用实例。
引言
棉花是全球重要的经济和战略资源（Xiao等人，2019年）。然而，害虫和病害的存在严重影响了棉花的产量和质量。蚜虫就是其中一种害虫，它们会大量消耗棉花汁液，导致棉花幼苗生长受阻、植株矮化。棉花蚜虫繁殖能力强，能在一周内将每片叶子上的蚜虫数量从50只增加到500至600只。受害后，棉花植株可能出现生长受阻、叶片变形、叶片、花蕾和棉铃减少等症状。在严重情况下，大面积的棉花植株可能会患病（Chen等人，2020年）。此外，蚜虫还会传播病毒性疾病并降低产量（Dong等人，2021年）。目前，棉花农民主要依靠经验或农业专家的建议来管理害虫，这可能导致农药过度使用、棉花产量下降及环境污染等问题。因此，准确、智能地检测棉花蚜虫在害虫控制和农药施用方面具有重要的作用。
传统的人工计数方法不仅耗时费力，效率低下，而且难以确保害虫控制和处理的及时性。传统的机器学习方法可以从图像中定量和定性地分析害虫和病害的存在（Hassanien等人，2017年；Adeel等人，2019年）。然而，用于训练机器学习方法的样本大多来自具有单一背景的实验室环境（图1(a)），且样本特征需要手动获取或通过统计方法提取。特别是，精确计数叶子上的密集蚜虫既耗时又效率低下（图1(b)）。另外，棉花田的复杂背景进一步增加了人工计数的难度（图1(c)）。随着计算机软硬件的发展，信息技术在农业领域的应用日益广泛。大量数据的积累为人工智能技术在农业中的应用提供了数据支持，例如深度学习（Zhai等人，2020年）。基于人工智能的害虫检测已成为农业计算机视觉和目标检测领域的研究焦点。
章节片段
相关工作
近年来，随着相关数据的增加和人工智能算法的进步，越来越多的研究人员开始利用深度学习技术辅助害虫检测。
深度学习是一个典型的代表技术，在图像分析任务（包括目标检测、分类和分割）中取得了卓越的表现（Nevavuori等人，2019年；Elwirehardja等人，2021年）。目标检测旨在识别图像中的所有感兴趣的对象。
图像数据采集
在本研究中，我们在自然光照条件下，从中国新疆石河子大学附近的棉花田中采集了棉花蚜虫的图像数据集。数据集收集于2023年7月中旬至下旬棉花蚜虫侵染的高峰期。我们共收集了2100张自然环境下的棉花叶片图像，涵盖了多种天气条件和一天中的不同时间段。这些图像使用了一部OnePlus R9 Android手机拍摄。
YOLOv5网络
YOLO（Redmon等人，2016年）是一种用于实时识别和定位图像或视频中多个对象的目标检测算法。YOLO通过将图像划分为多个网格，并预测每个网格是否包含目标及其对应的边界框和类别，将目标检测任务转化为回归问题（Lee等人，2022年；Hu等人，2022年；Ge等人，2021年）。在YOLO之前，基于区域的卷积方法被广泛使用。
实验设置
为了评估YOLO-ST的性能，我们在自建的棉花蚜虫数据集上使用TensorFlow框架（Abadi等人，2016年）进行了实验。关键软件和硬件配置详细列于表1中。所有比较方法均在NVIDIA GeForce RTX 3090 GPU上实现和测试。初始学习率为0.001，迭代次数为300次，批量大小为8。优化算法采用Adam算法。
讨论
我们提出了一个改进型的YOLO模型（YOLO-ST），用于检测叶片上的棉花蚜虫。该模型采用了NAM和ST编码器模块以及混合损失函数。NAM和ST编码器模块增强了YOLO-ST提取细粒度图像特征的能力。混合损失函数解决了样本不平衡问题，从而提高了棉花蚜虫的检测性能。
在本研究中，YOLOv8、YOLOv9和YOLO-ST均展现了出色的性能。
结论
本研究提出了一种基于YOLOv5的检测框架（YOLO-ST），整合了注意力机制、变换器模块和特定于任务的损失函数，用于复杂背景下的棉花蚜虫检测。实验结果表明，该模型在处理目标密集且体型小的复杂场景时，性能优于现有的基于YOLO的检测器。这项工作并未引入全新的检测范式，而是对现有技术进行了改进。
作者贡献声明
梁亮亮：撰写初稿、进行形式分析、构建概念框架。赵凤杰：撰写稿件、审阅与编辑、软件开发、资源准备、方法论制定。谢金普：软件开发、方法论制定、概念构建。常静：数据整理。乔新建：软件开发。李向宇：软件开发、方法论制定。乔洪波：撰写稿件、审阅与编辑、资金争取、概念构建。
资金支持
本研究得到了河南省自然科学基金（项目编号：262300421269）和中国“十四五”计划期间的国家重点研发项目（项目编号：2022YFD1400302）的资助。
利益冲突声明
作者声明没有已知的可能影响本文工作的利益冲突或个人关系。
致谢
本研究得到了河南省自然科学基金（项目编号：262300421269）和中国“十四五”计划期间的国家重点研发项目（项目编号：2022YFD1400302）的资助。
