综述：用于精准农业的物联网人工智能（AIoT）：在智能灌溉、养分管理和害虫控制中的应用

《Smart Agricultural Technology》：Artificial Intelligence of Things (AIoT) for Precision Agriculture: Applications in Smart Irrigation, Nutrient and Pest Management

精准农业中的马铃薯虫害实时检测方法与优化策略，提出基于图像裁剪的预处理技术结合两阶段迁移学习的检测框架。实验表明YOLOv5在640×640像素输入下达到79%检测准确率，推理时间42ms，经Tensor-RT优化后端到端延迟86ms，支持每秒10帧实时处理。

　　这项研究聚焦于在农业环境中，尤其是土豆田中，开发一种用于实时检测科罗拉多土豆甲虫（Colorado Potato Beetle, CPB）的系统。CPB是一种对土豆作物构成严重威胁的害虫，其影响不仅限于破坏植物的绿色部分，还可能导致产量损失高达64%。随着全球人口预计到2050年将达到97亿，提升土豆产量以满足日益增长的粮食需求变得至关重要。然而，传统的害虫控制方法，如基于田间巡查的广泛喷洒农药，不仅效率低下，还对环境造成负面影响，并加速了害虫对农药产生抗性的过程。因此，研究团队致力于探索一种更加高效、精准且可持续的害虫管理策略，特别是通过引入先进的深度学习与计算机视觉技术。

为了实现这一目标，研究人员提出了一种结合图像裁剪预处理、两阶段迁移学习和端到端检测系统的方法。图像裁剪预处理是该方法的关键步骤之一，其目的是在图像处理过程中保留CPB的原始形状和尺寸，从而提高模型的识别准确率。通过手动或自动图像裁剪，可以确保CPB在图像中占据足够的空间，避免因图像分辨率降低而造成特征信息的丢失。研究团队开发了一种图像处理软件，该软件能够根据用户选择的区域自动生成固定大小的图像，并自动调整标注框，以适应不同的裁剪尺寸。这种方法有效提升了CPB的识别效果，使得模型在训练过程中能够更好地捕捉关键特征。

在图像处理的第二阶段，研究人员采用了两阶段迁移学习策略。首先，使用高分辨率、清晰度较高的手持相机采集CPB的图像，这些图像作为初始训练数据，帮助模型建立对CPB特征的基本理解。随后，模型通过在移动喷洒机上安装的相机采集的图像进行微调，这些图像通常受到运动模糊和复杂背景的影响，从而提高了模型对实际田间环境的适应能力。这种方法显著增强了模型的鲁棒性，使其能够在不同光照条件、视角变化和背景干扰下依然保持较高的检测性能。

研究团队还对三种主流的物体检测算法进行了比较，包括YOLOv5、YOLOv7和Faster-RCNN。这些算法在农业害虫检测领域已经被广泛应用，但它们在实际应用中的表现仍受制于图像质量和环境条件。YOLOv5在检测准确率和计算效率之间取得了最佳平衡，特别是在640×640的图像尺寸下，达到了79%的检测准确率，且单次图像处理时间仅为42毫秒，能够满足实时检测的需求。通过进一步优化，使用Tensor-RT将模型转换为高性能推理引擎后，整个检测系统的端到端延迟降低至86毫秒，使得系统能够在每秒处理超过10帧的图像，从而具备良好的实时性能。

在检测系统设计方面，研究团队还引入了图像分区技术，将高分辨率图像分割为多个较小的区域，以便模型逐块处理，提高整体检测效率。对于640×640的图像尺寸，只需将图像划分为三个部分，而320×320的尺寸则需要划分12个部分。这种分区方法不仅减轻了计算负担，还确保了模型在每个区域中能够准确识别CPB的位置。此外，研究团队开发了一套完整的后处理机制，用于恢复检测结果在原始图像中的空间关系，并将检测结果转化为具体的喷洒指令，以实现精准的农药喷洒。

为了评估系统的性能，研究团队采用了多种指标，包括准确率、召回率、F1分数和F2分数。通过调整置信度阈值，系统能够在减少误报（FP）的同时，保持较高的真实检测率（TP）。研究发现，当置信度阈值设置为70%时，系统在减少误报的同时，仍能保留98.75%的真实检测率。这表明，该系统在实际应用中具备较高的可靠性。此外，通过分析TP、FP和FN的分布，研究团队还验证了系统在处理实际田间图像时的有效性，发现70%的原本未被检测到的区域（FN）在喷洒过程中得到了覆盖，这得益于FP预测的重叠效应，从而有效减少了漏喷现象。

从整体来看，该研究为农业害虫管理提供了一种可行的解决方案。通过图像裁剪预处理和两阶段迁移学习策略，研究团队成功提升了CPB的检测性能，使得系统能够在复杂的田间环境中实现高效、精准的害虫识别。YOLOv5作为最佳选择，不仅在准确率上表现优异，而且在计算效率方面也具备明显优势，这使得其成为实时检测系统中的首选模型。此外，研究团队还展示了该系统在实际部署中的有效性，表明其能够无缝集成到移动喷洒设备中，实现自动化、精准化的农药喷洒，从而减少农药使用量，提高农业生产的可持续性。

这项研究的意义不仅限于CPB的检测，它也为其他农业害虫的实时监测提供了借鉴。通过结合图像处理技术、迁移学习和高效的检测算法，研究团队构建了一个灵活、可扩展的害虫识别系统，能够适应不同的环境条件和图像特征。未来，该方法还可以进一步扩展，用于检测其他类型的害虫或杂草，从而推动精准农业的发展。此外，研究团队还强调了在实际部署过程中，优化置信度阈值、图像分区策略和模型参数的重要性，这些优化措施能够显著提升系统的整体性能。

综上所述，这项研究通过引入创新的图像处理技术和迁移学习策略，成功解决了在复杂农业环境中对小型害虫进行实时检测的难题。YOLOv5作为最佳模型，不仅在检测准确率上表现出色，还具备较高的计算效率，使得该系统能够适用于实际的农业作业场景。研究团队的成果为精准农业提供了新的技术路径，有助于减少农药使用，保护生态环境，同时提升农业生产的效率和可持续性。该方法的可扩展性和灵活性也为未来的农业自动化和智能化发展奠定了坚实的基础。