基于增强现实(AR)眼镜的稻田微小害虫及其天敌智能监测方法研究

针对稻田害虫识别存在主观性强、效率低且缺乏溯源性的问题，Hong Chen团队开发了RiceInsectID双阶段级联检测系统。该系统通过AR眼镜采集图像，采用改进YOLOv6模型（集成FOSTP、ECA-PAFPN和ASFF模块）实现17种飞虱若虫等25类昆虫的识别，mAP50提升35.46%，结合ResNet50细分类使F1-score达81.72%，为生态监测与绿色防控提供创新工具。

　　

稻田生态系统中，米粒大小的飞虱（如褐飞虱Nilaparvata lugens）和叶蝉（Cicadellidae）常造成农作物减产20%-50%，而传统人工调查方式依赖经验且耗时费力。更棘手的是，害虫不同发育阶段（如17种飞虱若虫）与蜘蛛（Araneae）等天敌形态相似，现有技术难以精准区分，导致农药滥用或生物防治失效。这一矛盾促使浙江理工大学Hong Chen团队在《Seminars in Nephrology》发表研究，开发出基于AR眼镜的RiceInsectID系统，通过计算机视觉技术实现田间昆虫的"显微级"识别。

关键技术包含：1) 采用头戴式AR眼镜采集白瓷板上的昆虫图像；2) 构建双阶段检测框架，先通过改进YOLOv6（集成FOSTP算法增强小目标检测）进行粗分类，再使用ResNet50模型进行细粒度分类；3) 引入ECA-PAFPN（高效通道注意力特征金字塔）和ASFF（自适应特征融合）模块优化特征提取；4) 应用BCM（平衡分类马赛克）和TTA（测试时增强）提升模型鲁棒性。

【粗检测阶段性能突破】

通过FOSTP算法将滑动切片与目标粘贴结合，使YOLOv6的mAP₅₀从49.25%提升至84.71%，其中1-2龄飞虱若虫识别率提高42.3%。ECA-PAFPN模块通过跨尺度特征融合，使微小目标（<10像素）召回率提升28.6%。

【细分类阶段精度优化】

对粗检输出的6大类（如"飞虱若虫"大类），采用独立ResNet50模型进行细分。通过迁移学习使17种飞虱若虫分类准确率达89.4%，混淆矩阵显示3-4龄若虫区分错误率降低至6.2%。

【田间验证效能】

在杭州稻田的实测中，系统识别速度达23帧/秒，较人工调查效率提升40倍。特别值得注意的是，对狼蛛（Lycosidae）与盗蛛（Pisauridae）的区分精度达92.1%，为天敌保护提供数据支撑。

该研究创新性地将AR技术与深度学习结合，首次实现田间环境下0.5-3mm昆虫的实时识别。相比传统方法，系统使农药使用量减少35%，同时通过精准识别天敌促进生态平衡。研究者特别指出，BCM模块有效缓解了稀有类（如5龄Sogatella furcifera）样本不足的问题，这对其他农业害虫监测具有普适价值。未来通过扩展昆虫数据库，该系统可望成为智慧农业的标准配置工具。