基于显式空间关系的田间蚜虫端到端检测框架ESR-DETR研究

针对田间环境下蚜虫体型微小、空间聚集分布导致的检测难题，研究人员提出基于显式空间先验关系的ESR-DETR框架，通过感受野距离度量（receptive field distance）构建查询间空间关联，结合局部查询特征增强模块（LQFE），在自建数据集WA2024上实现51.1% mAP，为农业害虫智能监测提供新范式。

　　

在广袤的麦田中，蚜虫如同隐形的掠夺者——体长不足2毫米的它们通过群体吸食汁液，导致小麦叶片黄化、白穗甚至整株枯死。传统依赖人工计数的监测方式效率低下，而现有基于卷积神经网络（CNN）的检测方法受限于锚框设计和非极大抑制（NMS）后处理，难以应对蚜虫微小（small size）和密集分布（spatially clustered）的双重挑战。更令人困扰的是，Transformer架构的DETR检测器虽能实现端到端检测，但其全局注意力机制对微小目标特征捕捉不足，且缺乏对蚜虫空间分布先验知识的显式建模，导致如图1所示的误检（false positives）和漏检（false negatives）频发。

安徽农业大学的科研团队在《Computers and Electronics in Agriculture》发表的研究中，创新性地提出ESR-DETR框架。该研究通过构建高斯感受野增强自注意力（GRFE-SA）模块，将边界框建模为二维高斯分布，以感受野距离（receptive field distance）替代传统IoU度量，有效缓解微小目标对位置偏差的敏感性；同时设计的局部查询特征增强（LQFE）模块通过空间位置聚合邻近查询特征，显著提升复杂背景下蚜虫的特征表征能力。研究团队还建立了包含多样光照条件的田间蚜虫数据集WA2024，为算法验证提供坚实基础。

关键技术方法包括：基于ResNet-50的主干网络、多任务损失函数（Focal Loss+L1 Loss+GIoU Loss），以及随机翻转/缩放的数据增强策略。实验采用DDQ-DETR的密集查询初始化方式，通过空间关系提取器实现查询特征动态更新。

主要研究结果：

1. GRFE-SA模块的有效性：将边界框相似性度量从零重叠敏感型IoU转变为平滑的高斯分布距离，使小目标检测AP提升6.2%。
2. LQFE模块的协同效应：通过局部空间聚合增强查询特征，在VisDrone数据集上mAP达到34.7%，验证方法泛化性。
3. WA2024数据集基准测试：ESR-DETR以51.1% mAP和94.6% AP₅₀超越YOLOv5、Faster R-CNN等对比模型，误检率降低37%。

结论与讨论部分指出，该研究首次将显式空间关系约束引入DETR类检测器，突破传统隐含学习对大数据量的依赖。GRFE-SA模块通过高斯分布建模实现空间关系的稳定度量，而LQFE模块则借鉴DDQ-DETR的密集查询策略，在有限数据条件下仍保持优异性能。值得注意的是，该方法在保持模型参数量（<1%增加）的前提下，推理速度达15 FPS，满足田间实时检测需求。研究团队特别强调，WA2024数据集的构建标准可为农业害虫检测研究提供重要基准，而ESR-DETR框架在无人机监测场景（VisDrone）的表现，预示着其在智慧农业中的广阔应用前景。