DDU-BiATeacher：一种结合主动学习与半监督学习的农业害虫检测创新框架

《Smart Agricultural Technology》：DDU-BiATeacher: A Semi-Supervised Pest Detection Framework Combining Active Learning

本研究针对农业害虫检测中标注成本高、小目标特征学习困难及伪标签质量不稳定等问题，提出了一种融合主动学习与半监督目标检测的创新框架DDU-BiATeacher。通过DDU策略筛选高价值样本、BiResCo架构增强多尺度特征表示、APLF机制动态优化伪标签阈值，在玉米螟、柑橘害虫和Pest24数据集上仅用20%标注量即可达到全监督92%以上的性能，为智慧农业中的害虫防治提供了高效可扩展的解决方案。

　　

在全球粮食安全面临严峻挑战的背景下，农业害虫已成为制约农业可持续发展的关键因素。及时准确的害虫检测对精准防控至关重要，而传统检测方法高度依赖大量标注数据，不仅耗时耗力，在复杂农田环境中对小尺寸害虫的检测效果更是难以令人满意。虽然基于卷积神经网络（CNN）的方法在害虫检测领域取得了一定进展，但这些完全监督学习方法需要大量人工标注数据，导致成本高昂且实用性受限。

为了突破这一瓶颈，半监督目标检测（SSOD）技术应运而生，它能够同时利用标注和未标注数据，通过一致性正则化和自学习机制降低对标注数据的依赖。然而，现有SSOD方法在害虫检测任务中仍面临三大挑战：随机标注策略无法优先选择信息量最大的样本；小目标害虫的特征学习能力不足；以及伪标签质量不稳定影响训练效果。这些问题严重制约了SSOD技术在农业实际场景中的应用效果。

为此，中国科学院合肥物质科学研究院的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，提出了一种名为DDU-BiATeacher的主动半监督害虫检测框架。该框架巧妙地将主动学习（AL）与半监督目标检测相结合，从标注效率、特征学习和训练稳定性三个维度进行了系统性创新。

研究团队采用了多项关键技术方法：首先构建了包含玉米螟、柑橘害虫和Pesticide24在内的多场景数据集，涵盖不同生长阶段、环境条件和分辨率特征；接着设计了基于距离、分歧和不确定性（DDU）的三维查询策略，从特征空间、模型预测和信息熵多个角度筛选高价值样本；开发了双分辨率协作（BiResCo）架构，通过特征金字塔融合和跨尺度信息增强来提升小目标检测能力；引入了自适应伪标签过滤（APLF）机制，利用高斯混合模型（GMM）动态调整置信度阈值；还提出了动态无监督权重（DynUW）方法，自适应平衡监督与无监督损失的权重分配。

在模型架构方面，研究团队基于SoftTeacher框架进行改进，采用Faster R-CNN作为检测器，使用特征金字塔网络（FPN）处理多尺度特征。BiResCo模块通过添加0.5倍下采样分支并设计高效特征融合（EFF）机制，显著增强了小目标害虫的特征表示能力。APLF模块通过建模预测得分的分布特征，为每个类别动态生成最优置信度阈值，有效提高了伪标签的质量。

研究结果显示，DDU-BiATeacher在三个数据集上均取得了显著优于现有方法的性能。在玉米螟数据集上，使用仅20%的标注数据就达到了70.6%的mAP_0.5，比最佳对比方法提高了2.6个百分点；在柑橘害虫数据集上，mAP_0.5达到69.3%，比全监督Faster R-CNN的72.2%仅低2.9个百分点，但标注成本减少了80%；在大规模多类别的Pest24数据集上，该方法在mAP_0.5、mAP_0.75和mAP_0.5:0.95三个指标上全面领先，特别是在mAP_0.75上比专门为害虫检测设计的PestTeacher方法高出5.1个百分点。

通过详细的消融实验，研究团队验证了各个模块的贡献：DDU策略相比随机采样提升了1.3-1.7%的检测精度；BiResCo架构通过多分辨率特征融合带来了5.5-6.2%的性能增益；APLF机制通过动态阈值调整实现了2.2-3.9%的改进；而DynUW则有效解决了不同数据集上的权重适应问题。可视化结果进一步表明，新方法在复杂背景、小目标检测和密集场景等挑战性条件下都能保持稳定的性能。

研究的讨论部分深入分析了实际农业应用中的复杂情况。针对气候变化、光照条件和作物品种多样性等影响因素，研究通过数据增强技术提高了模型的泛化能力。特别是在样本量较小的玉米螟和柑橘害虫数据集上，该方法展现出了强大的适应性和稳定性，为解决农业场景中的数据稀缺问题提供了有效方案。

该研究的结论部分强调，DDU-BiATeacher框架成功解决了害虫检测中的三个核心问题：通过主动学习优化了标注资源的利用效率；通过双分辨率协作增强了对小目标害虫的特征学习能力；通过自适应伪标签过滤提高了无监督训练的稳定性。这种方法仅需20%的标注成本就能达到全监督92%以上的性能，在降低人工成本的同时保持了高检测精度，为智慧农业中的害虫监测与管理提供了切实可行的技术方案。

这项研究的创新之处在于首次将主动学习与半监督学习深度结合应用于农业害虫检测领域，提出了针对性的解决方案并进行了系统验证。不仅为农业害虫智能检测提供了新的技术路径，也为其他领域的少样本目标检测问题提供了有益借鉴。未来研究方向包括进一步探索多模态信息融合、领域自适应技术在更广泛农业场景中的应用，推动该方法成为行业标准并在实际农业生产中大规模部署。