编辑推荐：
针对水稻害虫人工检测低效耗时、模型易漏检误检等问题，研究人员开展基于深度学习的水稻害虫自动检测研究。构建 RP-DETR 模型，引入 RepPConv-block、Gold-YOLO-Neck 及 MPDIoU 损失函数，结果显示参数减少且精度提升，为精准农业提供新方案。
在农业生产的广袤版图中，水稻作为全球重要的粮食作物，其健康生长始终面临着害虫侵袭的严峻挑战。“三虫三病”（稻飞虱、卷叶螟、螟虫、稻曲病、稻瘟病、纹枯病）如同暗藏的杀手，每年在全球范围内造成水稻产量 5% 以上的损失。传统依赖专家肉眼观察的人工检测方式，不仅耗时费力，且高度依赖经验，难以满足大规模、实时监测的需求。如何突破人工检测的瓶颈，借助科技力量实现害虫的精准识别，成为摆在农业与计算机科学交叉领域研究者面前的重要课题。
为破解这一难题，湖州师范学院信息工程学院、嘉兴学院信息科学与工程学院等国内研究机构的科研团队，在《Plant Methods》发表了题为 “RP-DETR: end-to-end rice pests detection using a transformer” 的研究论文。团队聚焦深度学习技术在水稻害虫检测中的应用，通过改进 Transformer 架构，开发出高效的端到端检测模型，为智慧农业的害虫监测提供了创新解决方案。
关键技术方法
研究采用多维度技术革新推动模型性能提升：
- 数据集构建：整合湖州地区实地拍摄、在线图像及 IP102 数据集，构建包含 7 类水稻害虫的 7868 幅高质量数据集，覆盖不同生长周期与环境条件，确保模型训练的多样性。
- 模型架构优化：在 RT-DETR 基础上，引入自主设计的 RepPConv-block 模块（结合部分卷积与结构重参数化技术），减少特征提取冗余；采用 Gold-YOLO-Neck 中的 Gather-and-Distribute（GD）机制改进颈部网络，强化多尺度特征融合能力。
- 损失函数改进：采用 MPDIoU（最小点距离交并比）损失函数，优化边界框回归精度，提升对不同尺寸害虫的定位能力。
研究结果
消融实验验证模块有效性
以 RT18-DETR 为基准模型，通过分步引入 RepPConv-block（RPB）、GD 机制及 MPDIoU 损失函数进行消融实验：
- 仅引入 RPB 时，参数减少至 14.35 M，但精度略有下降（83.6%），表明轻量化与精度需平衡。
- 结合 RPB 与 GD 机制（模型 C），mAP@0.5 提升至 76.7%，显示多尺度特征融合对复杂背景下害虫识别的重要性。
- 最终模型 D（整合三项改进）实现参数 16.77 M，mAP@0.5 达 76.9%，较基准模型提升 1.4%，且 GFLOPs/G 降低 15.84%，验证了各模块协同增效作用。
对比实验凸显模型优势
与原始 RT-DETR 系列模型相比，改进后的 RP18-DETR 与 RP34-DETR 展现显著性能提升：
- 参数轻量化：RP18-DETR 参数较 RT18-DETR 减少 16.5%（16.77 M vs 20.1 M），RP34-DETR 减少 25.8%（23.3 M vs 31.4 M）。
- 检测精度：在 IoU=0.5 阈值下，RP18-DETR 的 mAP@0.5 为 76.7%，较 RT18-DETR（75.5%）提升 1.2%；RP34-DETR 达 76.9%，超越 RT34-DETR 的 77.3%。
- 实时性能：RP18-DETR 推理速度达 270 FPS，远超 RT18-DETR 的 200 FPS，满足田间实时检测需求。
典型害虫检测效果优化
通过混淆矩阵分析发现，RP-DETR 对难区分害虫（如白背飞虱与褐飞虱）的识别准确率显著提升。例如，稻瘿蚊的 mAP@0.5 从 RT18-DETR 的 94% 提升至 95.1%，稻纵卷叶螟从 86.3% 提升至 87.7%，表明模型对小目标与相似类别的区分能力增强。
研究结论与意义
本研究构建的 RP-DETR 模型通过结构轻量化、多尺度特征融合及精准定位优化，成功突破传统检测模型在水稻害虫识别中的瓶颈。其核心贡献体现在：
- 数据基础：自建多源融合数据集为水稻害虫检测研究提供了标准化基准，缓解了现有数据样本缺失与不平衡问题。
- 技术创新：RepPConv-block 与 GD 机制的结合，在减少计算量的同时提升特征表达能力，为 Transformer 在农业场景的实时应用提供了新范式。
- 应用价值：模型在保持高检测精度（mAP@0.5=76.9%）的同时实现参数缩减与速度提升，具备田间部署潜力，可助力精准施药，减少农药滥用，推动绿色农业发展。
尽管研究已取得阶段性突破，团队在讨论中指出，未来需进一步扩大数据集覆盖范围（如纳入更多罕见害虫与极端环境样本），并探索模型在边缘设备的部署优化，以推动深度学习技术从实验室走向广袤农田，为全球粮食安全保驾护航。
