综述：孟加拉国登革热潜在滋生地实时监测与诊断智能系统

本文提出将无人机（UAV）与卷积块注意力模块增强的 YOLOv9E 模型结合，用于检测蚊子滋生地。该系统在多指标上表现优异，能有效助力登革热防控，为公共卫生干预提供高效支持，值得相关领域研究者关注。

　　

1. 引言

登革热由蚊子携带的登革病毒引起，在热带和亚热带地区较为流行。多数患者症状轻微，部分会发展为重症甚至致命。在孟加拉国，登革热疫情愈发严重，2000 - 2019 年病例数大幅增加，2023 年也出现了严重疫情。

埃及伊蚊在清澈的积水处繁殖，传统检测蚊子滋生地的方法存在诸多局限，如人工检查耗时费力、卫星图像成本高且分辨率有限。无人机技术为解决这些问题提供了新途径，其可高效收集数据，获取高分辨率图像。

本研究旨在开发一种基于无人机的自动化登革热潜在滋生地监测系统，利用 CBAM 增强的 YOLOv9 算法提高检测的速度和准确性，为矢量控制提供及时准确的数据，从而降低登革热等蚊媒疾病的流行。

2. 文献综述

众多研究致力于蚊子滋生地的检测，采用了多种方法。如 Joshi 等人利用无人机和计算机视觉技术检测潜在滋生地，随机森林分类器准确率超 99%；Keyi 等人使用无人机和 YOLO v7 模型检测白纹伊蚊滋生地，准确率高（F1 分数和 mAP > 0.99）。但现有方法在不同环境适应性、可扩展性等方面存在不足。

3. 材料和方法

3.1 准备数据集

数据集包含 1500 张图像，来自孟加拉国达卡和加济布尔地区，由人工收集和无人机拍摄扩展而成，标注了蚊子幼虫栖息容器及相关指标。使用 LabelImg 工具进行对象级数据标注，将数据按 80% 训练、10% 验证、10% 测试划分。

3.2 无人机图像稳定性

无人机图像受多种因素影响易模糊，研究采用了多种稳定方法：使用集成云台系统保证相机稳定；利用软件进行图像后处理，通过帧插值和运动补偿提升图像质量；优化飞行路径，减少速度突变导致的图像失真。

3.3 对象检测模型

研究使用 YOLO 系列模型进行对象检测。YOLOv8 有不同参数版本，速度和精度表现各异；YOLOv9 采用先进技术，如广义高效层聚合网络（GELAN）和可编程梯度信息（PGI），研究选用了 YOLOv9-C 和 YOLOv9-E。

3.4 提出的模型

将卷积块注意力模块（CBAM）应用于 YOLOv9-E，通过通道和空间注意力机制提升特征提取和检测效果。在网络的骨干、颈部和头部关键位置集成 CBAM，分别增强特征提取、融合和最终检测的精度。

3.5 无人机

在登革热防控中，无人机用于监测潜在滋生地。操作人员设定调查点，无人机起飞后自动前往拍摄图像和视频，利用机器学习算法分析环境，标记并评估潜在滋生地，实时传输数据给地面站。

3.6 无人机规格和挑战

研究使用的无人机基于 DJI Matrice 300 RTK 平台，配备多种设备，如 Pixhawk 4 飞行控制器、FPV 相机（DJI Zenmuse X7）等，具备多种功能，但在强风、光照不均、监管限制等情况下存在问题，需优化算法和提高处理效率解决。

3.7 评估指标

采用混淆矩阵和常用评估指标，如精度（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和平均精度均值（mAP）来评估模型性能。

3.8 训练时间

不同模型训练时间不同，YOLOv8 系列训练时间随参数增加而增长，YOLOv9 系列训练时间有差异，如 YOLOv9-C 训练时间为 1.9 小时，CBAM - YOLOv9E 为 2.65 小时。

4. 结果

通过深度学习，YOLOv9 能准确识别登革热滋生表面，模型对不同环境场景中的潜在滋生地定位精准，置信度高。

训练结果显示，不同模型性能有差异。YOLOv8x 在训练中准确率较高，CBAM - YOLOv9E 也表现出色。在 mAP₅₀、mAP_{50 - 95}等指标上，CBAM - YOLOv9E 表现最佳，其 mAP₅₀达到 0.995 。

混淆矩阵显示，模型能 100% 准确区分 “登革热理想滋生表面” 和 “背景” 类，分类无错误。

5. 讨论

5.1 模型在训练数据集上的性能

YOLOv8 架构简单，训练速度快，在训练数据上表现良好；YOLOv9 虽训练时间长，但能成功检测数据集中的细微特征，在训练数据上也有较高的检测和准确率。

5.2 CBAM - YOLOv9E 的性能

CBAM - YOLOv9E 结合了 YOLOv9 和 CBAM 的优势，通过注意力机制提高了对小物体和复杂场景中物体的检测精度，在多项评估指标上优于基线模型，且在不同环境下表现稳定，适用于实时监测应用。

5.3 模型使用测试数据的准确性比较

YOLOv8 检测能力可靠，但在检测小物体和重叠物体时稍显不足；YOLOv9 在复杂场景检测上表现更好，但缺乏注意力机制；CBAM - YOLOv9E 综合性能最优，在检测小物体和重叠物体方面优势明显，检测精度高且通用性强。

5.4 与现有研究的比较

与其他研究相比，本研究提出的方法集成了实时处理、自动化和无人机部署三个关键方面，mAP₅₀高达 0.9995，能在复杂环境中实现更精准的检测，更适合大规模蚊虫监测和控制。

6. 结论

本研究将无人机与 CBAM 增强的 YOLOv9E 模型结合，开发出的自动化蚊子滋生地检测系统性能卓越，为登革热防控提供了有效手段。未来研究可探索集成更多传感器、部署实时边缘 AI 系统、应用隐私保护技术等，进一步提升系统性能和适用性，助力蚊媒疾病防控，改善公共卫生状况。