视觉提示引导的田间微小害虫精准计数方法(PGPC)研究

【编辑推荐】针对复杂田间环境下微小害虫检测存在高假阴性(FN)/假阳性(FP)且缺乏纠错机制的问题，研究者提出基于视觉提示的害虫计数器(PGPC)。该方法通过Patch Self Attention(PSA)增强特征提取，结合FN-FP原型匹配分支进行二次优化，在自建25万标注量的稻飞虱数据集上实现F1-score 88.52%，中高密度场景RMSE降低超22%，为智能农业害虫监测提供新范式。

　　

在保障全球粮食安全的战略背景下，农业害虫防治面临严峻挑战。稻飞虱等微小害虫体长仅2-3毫米，其隐蔽栖息特性和田间复杂背景导致传统检测方法假阴性率(FN)高达30%-40%，而作物残渣干扰又造成15%-25%的假阳性(FP)。更棘手的是，现有YOLO、R-CNN等模型缺乏对错误检测结果的自我修正能力，农民往往在虫害爆发后才被动应对，每年造成数百亿元经济损失。这种"检测难-纠错难-防控难"的恶性循环，成为制约智慧农业发展的关键瓶颈。

中国国家自然科学基金支持的研究团队创新性地将视觉提示机制引入害虫检测领域，开发出Prompt-Guided Pest Counter(PGPC)系统。该研究首先构建了包含25万标注的稻飞虱田间数据集，按害虫密度分为低(≤10只)、中(11-50只)、高(≥51只)三组。技术层面采用三项核心创新：1) 基于ResNet50骨干网络集成Patch Self Attention(PSA)模块，通过8头自注意力机制增强微小目标特征提取；2) 设计Object Counting Loss(OC Loss)实现端到端定位计数，输出256通道的h×w(h=H/8)特征图；3) 首创FN-FP原型匹配分支，利用提示框生成响应图，经Adaptive Feature Gate(AFG)融合原始特征进行二次优化。

【模型细节】显示，PGPC在编码层采用stride=1的完全卷积结构，解码器通过4级SAFPN输出1024维特征，经1×1卷积降维至d=256。视觉提示机制仅需3-5个标注框即可生成响应图，计算开销增加不足5%。

【研究优势】体现在三方面：1) 检测性能上，F1-score提升2.11%至88.52%，显著优于Faster R-CNN(76.33%)和YOLOv8(84.91%)；2) 计数精度方面，RMSE在低、中、高密度组分别达2.08、5.97和10.81，较基线模型降低22.4%-22.6%；3) 计算效率上，FLOPs控制在98.7G，适合边缘设备部署。特别在高密度场景，PSA模块使相互遮挡害虫的识别率提升19.8%，AFG机制将FP降低37.2%。

【结论】部分指出，这是首次将视觉提示技术应用于农业害虫检测，其FN-FP纠正机制为复杂环境下的微小目标检测开辟新思路。该成果发表于《Computers and Electronics in Agriculture》，不仅为稻飞虱防控提供智能工具，其PSA-AFG架构对医学显微图像分析等微小目标检测领域具有普适参考价值。未来研究将探索多模态提示机制，进一步提升模型在极端光照条件下的鲁棒性。