基于多级特征注意与融合的温室蓟马实时快速检测与计数方法

这篇研究提出了一种创新的蓟马检测网络TCD-Net，通过轻量化骨干网络PartialNeXt（优化PConv卷积）、通道-空间混合注意力机制（HA）和自适应特征混合金字塔（AFM-FPN）实现温室微小害虫的实时精准检测。模型采用专为目标计数设计的OC Loss损失函数，在包含47K+标注的数据集上达到85.67% F1值，计算量仅114.36 GFLOPs，为农业害虫智能监测提供了高效解决方案。

　　

1 引言

蓟马（Thrips）作为体型不足2mm的微小害虫，可危害62科200余种作物，传统人工计数效率低下。现有基于Faster R-CNN、YOLO等目标检测方法的改进方案在微小害虫检测中存在特征提取不足、锚框匹配困难等问题。本研究针对温室环境下的^{Spathiphyllum floribundum}叶片蓟马，提出全卷积网络TCD-Net，其核心创新包括：

2 材料与方法

数据采集：在荆楚理工学院植物生长室采集5,618张1280×1280分辨率图像，标注47,726个蓟马目标，平均像素面积仅176px（占图像0.011%）。

网络架构：

• •

  PartialNeXt骨干网络：改进ConvNeXtV2的DWConv为PConv，仅对1/4特征图执行7×7卷积，其余3/4直接传递，降低内存访问频率。

• •

  混合注意力HA：结合局部-全局通道注意力（LAP+GAP）与CBAM空间注意力，C2-C5特征图的局部采样尺寸分别为32/16/8/4。

• •

  AFM-FPN：通过空间/通道双分支生成像素级融合权重W，实现P2-P5特征的自适应加权（公式2：AFM(f₁,f₂)=f₁×W + f₂×(1-W)）。

OC Loss设计：

• •

  定位损失?_L：优化目标中心点预测（公式4）

• •

  边界损失?_B：约束预测范围不超出标注框（公式5）

• •

  假阳性损失?_F：抑制背景误检（公式6）

3 实验结果

性能对比：在测试集上，TCD-Net以21.13M参数量实现85.67% F1值，显著优于YOLOv11l（62.34%）、Deformable DETR（78.91%）等模型。计数相关性R²达75.50%，MAE仅3.21。

可视化分析：热图显示模型能精准定位蓟马中心（图11），相邻个体间距≥2px时可有效分离。对比实验（图12）证实传统检测器存在大量FP（红色点）和FN（黄色点）。

4 讨论与展望

当前局限在于数据多样性不足，未来可通过生成对抗网络（GAN）合成数据。方法学上可探索多分支网络结构，增强对多类害虫的支持能力。该技术可与巡检机器人集成，推动温室害虫监测智能化发展。

5 结论

TCD-Net通过轻量化设计实现114.36 GFLOPs计算量和91.66 it/s实时推理速度，为毫米级害虫检测提供新范式，其AFM-FPN和HA模块的协同设计使微小目标召回率提升12.68%，具有农业物联网应用潜力。