基于全局注意力融合与多尺度特征优化的轻量级GAFNet模型在水稻害虫检测中的应用研究

《AgriEngineering》：Lightweight GAFNet Model for Robust Rice Pest Detection in Complex Agricultural Environments

本文针对复杂农田环境中水稻害虫检测面临的小目标、高密度、严重遮挡及边缘设备算力限制等挑战，提出了一种基于YOLO11n改进的轻量级模型GAFNet。该模型通过全局注意力融合空间金字塔池化（GAM-SPP）模块增强多尺度特征感知能力，采用C3高效特征选择注意力（C3-EFSA）模块优化背景判别，并设计增强幽灵检测头（EGDetect）降低计算冗余。实验表明，GAFNet在精度（Precision）、召回率（Recall）和平均精度（mAP）上分别提升3.5%、4.2%和1.6%，同时参数量降低5%，计算量减少21%，为智能农业中的精准虫害治理提供了高效可靠的解决方案。

　　

1. 1.
   引言
   水稻作为全球重要的粮食作物，其产量与质量直接影响粮食安全和社会经济稳定。然而，全球气候变暖、种植密度增加以及农药过度使用等因素导致水稻害虫威胁日益严重。这些害虫具有体型小、种群密度高、叶片遮挡严重和背景复杂等特点，传统检测方法如人工田间调查、性信息素诱捕器等存在效率低、依赖经验、漏检率高等问题，难以满足现代农业对高效、精准、智能虫害监测的需求。
2. 2.
   方法
   2.1. 基于全局注意力融合的多尺度特征增强机制
   GAM-SPP模块通过空间金字塔池化（SPP）分支结合通道注意力（CA）和空间注意力（SA），在扩大感受野的同时聚焦害虫关键区域。该模块采用5×5、9×9、13×13三种不同尺度的最大池化操作，通过特征融合和通道压缩实现多尺度语义信息的无缝集成。

2.2. 基于多尺度深度可分离卷积与轻量级ECA机制的C3-EFSA模块设计

C3-EFSA模块采用三分支并行结构，结合3×3和5×5深度可分离卷积（DWConv）与分组卷积，通过高效通道注意力（ECA）机制增强模型对害虫特征的表达能力，在保持轻量化的同时显著提升召回率。

2.3. 融合SE注意力的轻量级幽灵卷积优化模块

EGDetect模块将原始Detect结构中的标准卷积替换为增强幽灵卷积（EGConv），结合压缩激励（SE）注意力和SiLU激活函数，在减少参数量的同时提升特征表示能力。其中SiLU激活函数定义为SiLU(x)=x?σ(x)=x/(1+e^-x)，具有更优的梯度连续性。

2.4. 增强损失函数FECIoU的设计

FECIoU损失函数在CIoU基础上引入数值稳定性项ε和困难样本加权机制，通过(1-IoU)^γ项（γ=0.05）增强对小目标和遮挡样本的梯度影响，其计算公式为L_FECIoU=(1-IoU+ρ²(b,b^g)/c²+αv)?(1-IoU)^γ。

1. 3.
   实验与讨论
   3.1. 数据集准备与增强方法
   研究从IP102数据集中提取10类水稻害虫图像构建RP10数据集，包含象甲科（Curculionidae）、飞虱科（Delphacidae）等常见害虫，共计4226张有效样本。通过随机亮度、运动模糊、随机遮挡和椒盐噪声等数据增强手段将训练集扩展至6750张图像，显著提升模型泛化能力。

3.3. 评估指标

采用精度（P=TP/(TP+FP)）、召回率（R=TP/(TP+FN)）和平均精度（mAP）作为主要评价指标，同时参数量（M）和浮点运算数（GFLOPs）用于评估模型计算效率。

3.4. GAFNet训练进度与分类性能

实验结果表明，GAFNet在测试集上达到89.8%的精度、85.6%的召回率和90.1%的mAP，参数量仅2.45M，计算量为5.0 GFLOPs。混淆矩阵显示对 Cecidomyiidae、Crambidae 等类别识别率最高，而 Curculionidae 和 Cicadellidae 因叶片遮挡和小目标特性识别率相对较低。

3.5. 改进模块的消融研究与贡献分析

渐进式消融实验表明，GAM-SPP模块使mAP提升至89.5%，C3-EFSA模块进一步将mAP提高至89.9%的同时降低计算成本，EGDetect模块将参数量压缩至2.45M，FECIoU损失函数最终使mAP达到90.1%。四模块协同作用实现精度、召回率、mAP的全面提升。

3.6. GAFNet模型与其他检测模型的性能对比

与Faster R-CNN、SSD、RT-DETR及YOLO系列模型相比，GAFNet在轻量级约束下达到最优的精度-计算量平衡，其mAP较YOLOv10n提升1.4%，FLOPs降低39%。

3.8. GAFNet与基线模型检测能力可视化对比

热力图可视化显示，GAFNet对害虫轮廓的关注度显著优于基线模型，在叶片遮挡场景下能精准聚焦害虫暴露的核心纹理，对细长形害虫的红色热区连续无中断，验证了EGDetect和FECIoU对极端长宽比目标的稳定回归能力。

3.9. GAFNet模型泛化性能与鲁棒性评估

在AgroPest-12跨数据集测试中，GAFNet达到75.7%的mAP，较YOLO11n提升4.0%，证明其对不同作物环境和采集条件具有较强的适应能力。

3.10. 嵌入式边缘设备部署实验

在NVIDIA Jetson Orin Nano设备上的部署实验表明，GAFNet帧率稳定在19-24 FPS之间，CPU和GPU资源利用率高效，满足田间实时虫害检测的实践需求。

1. 4.
   结论
   GAFNet通过GAM-SPP、C3-EFSA、EGDetect和FECIoU等模块的协同设计，在保持轻量化的同时显著提升了对复杂农田环境下水稻害虫的检测性能。该模型为早期害虫预警、精准施药和生态友好型虫害治理提供了资源高效、准确可靠的解决方案，有力推动了智能农业的发展。未来工作将聚焦Transformer架构、多模态感知与跨季节迁移学习的结合，进一步提升模型在复杂天气和种植条件下的泛化能力。