基于SwinIR超分辨率重建与Semantic-SAM模型的烟粉虱发育阶段智能检测方法

【编辑推荐】本研究针对烟粉虱(Bemisia tabaci)传统检测方法效率低、主观性强的问题，创新性结合SwinIR超分辨率重建和Semantic-SAM语义分割模型，首次实现烟草叶片上卵、若虫(1-4龄)及成虫的全发育阶段自动分类检测，成虫识别准确率达100%，2-3龄若虫识别率超85%，为害虫种群动态预测提供了高精度AI解决方案。

　　

在烟草种植领域，烟粉虱(Bemisia tabaci)堪称"隐形杀手"。这种体长不足1毫米的害虫不仅通过吸食汁液直接危害烟草，更会传播植物病毒并诱发煤污病。传统依赖人工镜检或粘虫板的方法存在明显局限：专家需耗时分辨虫体微小(卵仅0.2mm)、体色与叶片相近的若虫，且不同龄期形态差异细微，导致种群密度统计误差高达30%-40%。尽管Chen等学者曾用U-Net网络实现蚜虫95.63%的检测精度，但针对烟粉虱全发育阶段的自动识别始终是农业AI领域的空白点。

河南省科技厅资助的研究团队开创性地构建了"超分辨率重建-语义分割-形态计量"三级检测体系。研究人员首先通过手机显微镜头采集烟草叶片背面虫体图像，利用SwinIR(Swin Transformer for Image Restoration)将低分辨率图像提升4倍，显著增强0.1mm级卵粒的纹理特征。随后引入Meta公司发布的Semantic-SAM(Segment Anything Model语义版)，在像素级别分割虫体区域并标记位置信息。创新性地结合Feret直径(虫体最大投影长度)建立龄期判别标准：1龄若虫<0.3mm，4龄若虫>0.6mm等。实验采用Nvidia GTX2080Ti GPU加速，在Ubuntu系统下完成模型训练。

2.1.Datasets
建立包含卵、1-4龄若虫及成虫的专项数据集，通过体视显微镜确认各阶段形态特征。特别标注2龄若虫蜡质分泌物导致的轮廓模糊现象，为Semantic-SAM提供先验知识。

Experimental environment
超分辨率处理使图像PSNR(峰值信噪比)提升8.2dB，Semantic-SAM在分割任务中mIoU(平均交并比)达89.4%。Feret直径辅助将1龄与2龄若虫分类准确率提高17个百分点。

Conclusion
该研究突破性地实现：1)成虫识别100%准确率；2)2-3龄若虫86%-88%识别率；3)首次量化各龄期Feret直径阈值。相比传统方法，检测效率提升20倍且具备龄期发育动态追踪能力，为精准施药提供关键时序数据。

讨论部分指出，该方法存在强光环境下蜡质层反光干扰的局限性，未来可融合多光谱成像改进。研究成果发表于《Computers and Electronics in Agriculture》，技术路线已应用于云南烟草公司病虫害预警系统，显著降低35%农药使用量。Zhang Weizheng团队强调，该框架可扩展至粉虱总科其他害虫监测，为农业害虫全生命周期智能管理树立新范式。