基于密度分级与层次化检测的苹果蚜虫智能计数框架HDC-Net研究

《Computers and Electronics in Agriculture》：HDC-Net: A hierarchical detection and counting framework for apple aphids with density-level classification

本文提出一种融合目标检测（YOLO-Aphid）与密度估计（MCNN）的层次化计数框架HDC-Net，通过密度分级策略实现苹果蚜虫在不同分布密度下的精准识别与计数。该研究针对低密度场景优化小目标检测层、引入Swin Transformer注意力机制与MPDIoU损失函数，在中高密度场景采用像素级回归生成密度图，显著提升复杂果园环境下病虫害监测的准确性与鲁棒性，为精准农业提供关键技术支撑。

　　

Highlight

本研究提出的HDC-Net框架核心优势在于其层次化结构设计，结合YOLO-Aphid模型的高效目标检测能力与MCNN模型的密度估计计数功能，旨在应对苹果蚜虫在不同密度场景下的复杂性。通过创新性的分层结构，该框架有效解决了高密度场景中目标重叠和遮挡问题，同时提升了低密度环境下小目标检测的精度。

Discussion

HDC-Net框架的核心优势在于其层次化结构设计，结合YOLO-Aphid模型的高效目标检测能力与MCNN模型的密度估计和计数功能，旨在解决苹果蚜虫在多种密度场景下的复杂性。通过创新性的分层结构，该框架有效解决了高密度场景中的目标重叠和遮挡问题，同时优化了低密度环境下的小目标检测性能。此外，密度分级方法通过多源特征融合与二次决策规则，为模型自适应选择提供了可靠依据，进一步增强了系统在复杂果园环境中的适用性。

Conclusion

本研究提出了一种层次化检测与计数框架HDC-Net，旨在实现低密度及中高密度场景下苹果蚜虫的精准检测与量化。首先，开发了基于多源图像特征融合和二次决策规则优化的密度分级方法，对低密度和中高密度图像的分类准确率分别达到93.33%和96.67%，从而指导后续计数模型的选择。