基于分割与改进YOLOv11模型的AR眼镜作物叶片烟粉虱计数方法

本文创新性地提出基于增强现实（AR）眼镜与"分割-检测"协同框架的烟粉虱自动计数系统，通过Mask2Former-Leaf实现前景叶片精准分割，结合集成SAHI切片推理、DyCM-C3K2动态卷积与MCRFPN特征融合的YOLOv11-Whitefly模型，在自然田间环境下对烟粉虱成虫及高龄若虫实现mAP50达91.60%的高精度检测，为农业害虫智能监测提供了技术突破性解决方案。

　　

引言

烟粉虱（Bemisia tabaci）作为全球性农业害虫，其精准监测对虫害早期预警与防治至关重要。传统人工调查方法存在主观性强、计数误差大、数据追溯难等痛点。本研究提出基于增强现实（AR）眼镜图像采集与分割-检测双阶段模型的自动计数方法，通过智能化技术手段解决田间害虫监测效率低下难题。

材料与方法

智能监测系统采用SUPERHEXA AR眼镜采集作物叶片背面高清图像，通过Wi-Fi/5G传输至服务器进行解析。核心技术框架包含两个核心模块：Mask2Former-Leaf叶片分割模型对前景主叶片进行精确提取，有效消除复杂背景干扰；YOLOv11-Whitefly检测模型集成三大创新机制——SAHI（Slicing Aided Hyper Inference）通过重叠切片策略放大微小目标特征表达，DyCM-C3K2模块动态生成输入依赖型卷积核增强小目标检测能力，MCRFPN（Multi-Branch Channel Re-Weighted Feature Pyramid Network）通过通道重加权策略优化多尺度特征融合。

数据集构建于2023-2024年虫害高发期，涵盖辣椒、棉花、黄瓜、茄子、番茄五种作物叶片背面图像5124张，图像分辨率均为4080×3072像素，包含成虫与3-4龄若虫两个虫态标注。

结果

叶片分割模型在测试集达到97.34% mIoU与98.65% mFscore的优异性能。检测模型消融实验表明：单独使用SAHI可使mAP₅₀从56.8%提升至88.7%，结合DyCM-C3K2与MCRFPN后最终达到91.60% mAP₅₀，其中成虫检测精度84.25%，召回率86.20%。跨作物泛化实验显示，在未训练的棉花和番茄数据上仍保持86.1%和88.7%的mAP₅₀，展现强大迁移能力。

对比主流检测模型（YOLOv10s、RTMDet、Cascade R-CNN、DETR、DINO），本方法在mAP₅₀指标上领先5.45-10.35%，且计数误差（RMSE）最低仅4.49。可视化结果显示传统模型存在若虫漏检与假阳性问题，而本文方法在复杂背景下仍保持稳定检测性能。

开发的智能调查系统采用B/S架构，支持Web/APP双端访问，实现批量图像上传、检测结果可视化与数据分析功能，为田间调查人员提供实时决策支持。

讨论

研究优势体现在：AR眼镜非接触式采集保障图像质量；双阶段处理策略有效规避非主叶片干扰；动态卷积与多尺度融合机制显著提升小目标检测能力。局限性在于模型推理效率有待优化，且数据集存在虫态不平衡现象。未来将通过模型轻量化、多物种鉴别等方向进一步提升系统实用价值。

结论

本研究建立的AR眼镜烟粉虱自动计数系统，通过分割-检测协同框架与多项模型优化策略，实现了自然田间环境下微小害虫的高精度识别与计数，为农业害虫智能监测提供了可靠的技术方案，对推进病虫害防治数字化转型具有重要意义。