基于无人机系统与移动成像的深度学习模型优化及其在日本金龟子大豆危害监测中的应用

本研究针对大豆生产中日本金龟子(Popillia japonica)传统监测方法效率低下的问题，通过微调YOLOv8s深度学习模型，结合UAS和移动设备图像采集技术，实现了87.90%的害虫检测准确率，并开发了原型Web应用平台。该研究为农业害虫数字化监测提供了创新解决方案，显著提升了监测效率与精准度。

　　

日本金龟子(Popillia japonica)自20世纪初入侵美国大豆田以来，已成为威胁作物产量的重要害虫。传统依赖人工目测和扫网抽样的监测方法不仅耗时耗力，在广袤田间的适用性更显局限。随着害虫种群扩张与劳动力成本上升，农业生产亟需一种高效、精准的数字化监测方案。

美国堪萨斯州农业试验站(Kansas Agricultural Experiment Station)的研究团队创新性地将深度学习技术与移动设备、无人机系统(UAS)相结合，开发出基于YOLOv8s模型的自动化监测系统。该研究通过优化图像预处理技术（包括2×2分块增强）和模型架构，在7,336张标注图像数据集上实现了87.90%的mAP@0.5检测精度，相关成果发表于《Machine Learning with Applications》。

研究团队采用多源数据采集策略：地面使用iPhone 12 Pro（5倍数字变焦）在1米距离拍摄，空中通过DJI Mavic 3 Pro无人机在5米高度获取影像。通过Roboflow平台进行数据标注与增强后，对比测试了YOLOv5/v8六个版本性能。最终部署的Web应用采用Flask框架和Docker容器化技术，支持用户上传图像自动生成害虫定位图示与计数报告。

【主要技术方法】
研究构建了包含2,293张原始图像的日本金龟子数据集，经分块增强后扩展至9,172张。采用80:10:10比例划分训练/验证/测试集，在NVIDIA A100 GPU上以batch size=8训练300个epoch。评估指标涵盖precision、recall、F1 score和mAP@0.5，最优模型通过混淆矩阵验证性能。

【研究结果】
3.1 深度学习模型性能
YOLOv8s以85.40% precision和84.95% F1 score显著优于其他版本（YOLOv5s最高仅81.75% F1）。混淆矩阵显示其正确检测率达86%，且对小目标检测优势明显。

4.2 YOLO模型家族特性
YOLOv8的anchor-free检测头和CutMix数据增强策略，使其在保持83.4% recall的同时，将mAP@0.5提升至87.90%，较YOLOv5提高1.6个百分点。

4.3 技术局限性
当前模型对非大豆背景的适应性不足，且CPU端推理速度受限。研究者建议通过增加多角度影像采集（特别是冠层下方）和移动端部署来优化性能。

【研究意义】
该成果标志着农业害虫监测从人工抽样向智能感知的重要转变。部署于Web应用的检测系统不仅将单次监测效率提升80倍以上，其标准化数据输出更有利于建立害虫种群动态模型。研究者展望将该技术整合至田间机器人系统，未来可能通过卫星遥感实现区域尺度的害虫暴发预警，为智慧农业提供关键技术支撑。