CDFA-Net：面向农业害虫检测的轻量化上下文驱动特征自适应网络研究

为解决农业害虫检测中存在的目标尺度差异大、小目标易漏检、模型计算复杂度高等问题，研究人员开展了一种轻量化上下文驱动特征自适应网络（CDFA-Net）的研究。该研究通过设计Context-Driven Block（CDB）和Dynamic Frequency Adaptive Network（DFANet），显著提升了多尺度特征提取和小目标检测能力。在自建CP10数据集和公开YST数据集上分别达到82.9%和91.6%的mAP@0.5，参数量仅2.79MB，实现了精度与轻量化的有效平衡，为田间实时害虫监测提供了高效解决方案。

　　

在智慧农业领域，基于视觉的害虫检测技术对有效监测和管理害虫种群至关重要。然而，现有方法在密集场景中往往表现不佳，特别是在处理多类别害虫和微小目标时准确率较低。此外，庞大复杂的骨干网络限制了这些模型在资源有限的监测设备上的部署。农业害虫通常具有体型小、种群密度高、生物多样性显著等特点，这给视觉感知任务带来了巨大挑战。小目标检测问题在目标分类领域一直是研究重点，但现有研究表明，小目标的稀疏视觉特征阻碍了主流检测算法的性能，这些算法仍难以准确感知它们。

为了克服这些挑战，本研究提出了一种轻量级、上下文感知且动态特征自适应的害虫检测网络CDFA-Net。该研究发表在《Smart Agricultural Technology》上，由新疆大学计算机科学与技术学院的研究团队完成。

研究团队采用了多项关键技术方法：首先构建了包含10种常见棉田害虫的自建CP10数据集，采用过采样策略平衡类别分布；设计了Context-Driven Block（CDB）模块，通过多尺度扩张卷积和动态卷积捕获丰富的上下文信息；开发了Dynamic Frequency Adaptive Network（DFANet），包含Hlff(·) Block和Dms(·) Block，实现高低频特征解耦和动态融合；优化了检测头结构，保留高分辨率P2层以增强小目标细节保持能力。

研究结果表明，在CP10数据集上，CDFA-Net实现了82.9%的mAP@0.5和82%的F1分数，相比基线分别提升8.1%和6%，参数量减少至2.79MB。在YST公开数据集上，mAP@0.5和F1-Score分别达到91.6%和90.6%，相比基线提升7.9%和7.7%。特别是在小目标检测方面，对thrips（Tr）、aphids（Ap）和flying ants（Fa）等微小害虫的检测精度显著提升。

^{2.4.1. CDB模块}的分析显示，该模块通过三级渐进结构有效缓解了尺度敏感性问题。多尺度特征提取阶段采用1×1卷积下采样，结合动态卷积模块和多尺度扩张卷积模块捕获不同尺度的上下文信息。特征融合阶段采用CAFM模型结合CNN和Transformer优势，增强图像特征表示。全局-局部特征协作阶段通过通道注意力和多头自注意力机制显著增强特征图的全局表示能力。

^{2.4.2. C2fDFA模块}集成了DFANet网络，在YOLOv8n的C2f模块基础上引入轻量级注意力机制CBAM，使模型在通道和空间维度上关注显著区域，抑制冗余信息，在图像质量低或背景干扰大的场景中显著增强检测鲁棒性。

^{2.4.4. Hlff(·) Block和Dms(·) Block}的设计采用了高频-低频解耦策略，通过可学习参数γ_s调节高低频分量融合，使用GELU函数引入非线性。多门控聚合模块采用5×5深度wise卷积，输出按3/8、1/8和1/2比例分割通道，分别应用扩张率为1、2、3的卷积，最后通过Softmax函数求和归一化。

^{3.3.1. 不同目标检测算法比较}显示，CDFA-Net在参数量仅2.79M的情况下，mAP@0.5达到82.9%，显著优于Faster R-CNN（12.5%）、YOLOv8n-ghost（73.4%）、YOLOv3（76.4%）等对比模型。^{3.3.2. 各类别性能分析}表明，CDFA-Net在大多数害虫类别上获得最高mAP@0.5和F1-score，特别是在'tr'（24.9%）、'ap'（58.6%）、'fa'（76.3%）等小目标检测上提升显著。

^{3.6. 可视化分析}证实，CDFA-Net在多类害虫检测任务中表现出优越性能，能够成功检测和定位微小个体，在害虫与背景紧密对齐或呈现显著姿态变化的场景中保持高置信度和精确边界框，在多个目标共存情况下实现可靠的类别区分和标记。

^{4.1. 热力图对比}分析显示，CDFA-Net在极小或密集目标检测方面优于YOLOv8n，能够从较小目标中提取更多形状和纹理信息，更清晰地描绘目标边界。黄色框突出显示CDFA-Net通过局部和全局上下文信息改进小目标特征表示的区域，红色框显示CDFA-Net扩大感受野以捕获图像边缘模糊目标的区域。

研究结论表明，CDFA-Net通过CDB模块、DFANet结构和检测头优化，有效解决了农业害虫检测中的多尺度特征提取、小目标细节保持和模型轻量化等关键问题。该模型在保持高精度的同时大幅减少参数量，便于在资源受限的边缘设备上部署，为田间实时害虫监测提供了切实可行的解决方案。未来研究将专注于提升模型在自然环境中的稳定性和适应性，进一步拓展数据集规模，开发更精确的网络结构，推动农业害虫智能监测技术的实际应用。