融合类内类间信息的自然场景图像多尺度茶尺蠖半监督检测方法研究

针对自然场景图像中茶尺蠖因离焦模糊、尺度差异及背景相似性导致的检测难题，研究人员提出了一种融合类内类间信息的半监督学习网络IIMNet。该方法通过Zoom Enhance Module（ZEM）增强模糊目标特征，结合Scale-Aware Feature Pyramid Network（SAFPN）解决多尺度问题，并利用Intra-class and Inter-class Information Integration Network（IIINet）优化特征表达。实验表明，仅用5%-40%标注样本即超越现有方法1.03%-1.63%的检测精度，为农业害虫智能监测提供了低成本高精度的解决方案。

　　

茶尺蠖是严重危害茶树的害虫，其自然场景图像存在离焦模糊、形态多样、尺度差异大等挑战，传统检测方法因标注成本高且泛化能力弱难以应对。中国作为全球主要产茶国，茶尺蠖爆发会导致茶叶减产和品质下降，亟需高效精准的智能监测技术。安徽某高校研究团队在《Computers and Electronics in Agriculture》发表研究，提出融合类内类间信息的半监督检测框架IIMNet。

关键技术包括：1）Zoom Enhance Module（ZEM）通过随机缩放增强解决离焦模糊；2）基于教师-学生网络架构，采用ResNet50骨干和Scale-Aware Feature Pyramid Network（SAFPN）感知多尺度目标；3）Intra-class and Inter-class Information Integration Network（IIINet）整合正交通道信息模块（OCIM）与全局空间信息模块（GSIM），优化类内相似性和类间差异性表达。实验数据来自安徽芜湖天井山茶园的自然场景图像。

数据采集与预处理
研究团队在安徽天井山茶园采集包含不同生长阶段茶尺蠖的自然场景图像，通过弱增强（水平翻转）和强增强（色彩抖动、高斯模糊）构建训练集，解决样本稀缺问题。

参数设置与评估指标
采用mmdetection框架，教师网络预训练20k步后初始化学生网络，联合训练100k步。评估显示，仅用5%标注样本时检测精度较现有半监督方法提升1.03%，验证了ZEM和IIINet对模糊目标与复杂背景的适应性。

讨论
SAFPN通过双信息流互补增强多尺度感知能力，而OCIM与GSIM形成的菱形子网络显著提升特征判别力。该方法为农业场景中小目标检测提供了新思路，尤其适用于标注资源有限的病虫害监测。

结论
该研究创新性地将半监督学习与多尺度特征融合相结合，提出的IIMNet在降低70%标注成本的同时，检测精度达到监督学习方法的94.81%。成果对实现茶树病虫害精准防控、保障茶叶产量具有重要应用价值，相关技术框架可扩展至其他农业害虫检测场景。