《Pest Management Science》：Automatic insect identification, counting, and monitoring techniques: a review
编辑推荐：
背景：害虫威胁农业生产，而传统监测劳动密集，过度使用杀虫剂造成环境和健康风险。本综述评估了自动化昆虫检测、计数、分类和监测技术，重点关注机器学习集成、田间迁移性和运行就绪度。结果：遵循PRISMA 2020指南的正式检索覆盖了2010年至2024年的文献，识别
背景：害虫威胁农业生产，而传统监测劳动密集，过度使用杀虫剂造成环境和健康风险。本综述评估了自动化昆虫检测、计数、分类和监测技术，重点关注机器学习集成、田间迁移性和运行就绪度。结果：遵循PRISMA 2020指南的正式检索覆盖了2010年至2024年的文献，识别出313条与综述技术和方法学范围相关的记录。经过标题/摘要筛选和全文资格评估，保留116篇文献。证据涵盖基于相机和视觉的系统；声学、红外和光电传感器；静电和物理方法；非致死光子监测；雷达和生物传感技术；物联网（Internet of Things，IoT）平台；以及机器学习和深度学习方法。基于相机和视觉的系统是文献记录最广泛、最面向田间的方法之一，尤其是与远程图像采集、通信网络和自动分类相结合时。声学系统为连续或低功耗监测提供了补充选项，而雷达、生物传感和其他新兴方法则将应用扩展到生物多样性评估、大区域监视和早期检测。由于指标、采集条件和验证水平差异显著，从实验室或数据集基准到半田间试验、田间验证和实际部署，所报告的性能无法直接比较。结论：没有任何单一技术对所有监测目标都最优。实际采用需要标准化的任务特定报告、独立且持续的田间验证、具有代表性的数据集、提高跨作物和环境的迁移性，以及对稳健性、能量自主性、连通性、维护和成本的系统级评估。传感器融合、边缘人工智能以及领域自适应或不确定性感知模型在提供可衡量的决策支持效益时具有前景。? 2026 The Author(s). Pest Management Science published by John Wiley & Sons Ltd on behalf of Society of Chemical Industry.
1 引言
传统害虫监测依赖人工视觉检查和各类诱捕器，存在劳动强度大、受人为因素和环境条件影响、难以检测小型或低对比度害虫等问题。近年来，电子传感器、机器学习（Machine Learning，ML）和实时数据处理技术的进步推动了自动化监测系统的发展。本综述聚焦田间应用的自动化害虫监测系统，综合光学、声学、图像传感器以及计算方法，区分不同验证层级，并评估其向实际农业条件迁移的潜力与技术就绪度。
2 方法学
2.1 检索策略
基于PRISMA 2020框架，在Scopus和Web of Science等数据库中进行系统性文献检索，补充PubMed和Google Scholar用于引文追踪。检索窗口为2010年1月1日至2024年12月31日，共识别出278条记录，经去重和补充引用后形成290篇出版物，经标题/摘要筛选和全文评估，最终保留116篇文献用于技术和方法学综合。
2.2 纳入标准
纳入标准包括：涉及自动化昆虫检测、计数、分类或监测；与害虫、农业或仓储害虫管理、媒介监测或可迁移的昆虫监测技术相关；为同行评议期刊论文或会议论文；提供足够的方法或性能信息。根据验证条件将研究分为实验室/数据集基准（laboratory/dataset benchmark）、半田间试验（semi-field trial）、田间验证（field validation）和实际部署（operational deployment）四级，并明确不同层级的性能不可直接比较。
2.3 排除标准
排除超出自动化节肢动物检测、计数、识别、分类或监测范围，以及缺乏充分技术、方法或性能信息的文献。最终经过全文评估，116篇出版物被纳入综合。
3 结果与讨论：当前自动化昆虫监测技术
本节从物理传感器系统和计算处理策略两个视角评述当前进展，并强调不同技术在成熟度、验证条件和运行就绪性上的差异。
3.1 自动化昆虫陷阱的检测方法
3.1.1 基于相机和视觉的技术
相机和视觉系统是文献记载最广泛、最面向田间的方法之一。此类系统通常将传统陷阱（如粘板、桶形、三角板）与嵌入式相机、远程通信模块及太阳能电池结合，通过物联网（IoT）平台实现图像采集、传输和自动识别。深度学习算法（如Faster R-CNN
13、YOLO等）被用于分类和计数，部分系统在特定害虫上达到90%以上准确率。其他创新包括基于密度图的计数模型、事件相机（DVS）触发RGB相机、智能手机图像处理等。尽管性能较高，但图像质量、功耗、连通性和完全自动化程度仍是主要限制。
3.1.2 声学、超声波和红外方法
声学、红外和光电传感器通过检测翅振频率、声音或光束中断来实现非侵入式监测。例如，光散射和阴影系统可用于区分雌雄蚊虫；红外传感器陷阱可实现88%–100%的计数准确率；声学陷阱可识别特定蛾类飞行声音。光声传感器和激光雷达系统（如ESOS）能记录大量昆虫活动。这些方法支持连续或低功耗监测，但物种区分通常需要复杂的信号处理和机器学习，且易受环境噪声干扰。
3.1.3 静电和物理方法
静电陷阱利用高压电场捕获和杀死飞行昆虫，在受控条件下可实现完全捕获。此外，基于悬臂梁的纳米传感器可检测害虫信息素，检测限达到飞克至仄克级，但尚处于实验室阶段，向便携式田间设备转化存在挑战。
3.1.4 机器学习和神经网络集成方法
多种深度学习架构被集成到监测系统中。单次多框检测器（SSD）作为通用目标检测框架具有速度与精度平衡优势；Mada-CenterNet通过多尺度可变形注意力改善诱虫灯图像计数；基于InceptionV3的CNN用于蚊虫计数和性别鉴定。这些方法在特定数据集上表现出色，但性能高度依赖数据集质量和验证设置。
3.1.5 生态和非致死方法
非致死监测技术包括自动蛾类陷阱（AMT）、红外传感器环和光子传感器等。自动蛾类陷阱采用UV LED和相机系统，能捕捉季节丰度趋势；光子传感器通过近红外后向散射估计物种丰富度；激光散斑对比成像（LSCI）用于监测蚜虫体内生物力学活动。这些方法减少标本死亡，但物种分辨率或绝对丰度估计仍有限。
3.1.6 其他方法
其他新兴技术包括嵌入式AI害虫计数系统、基于有机电子器件的感知与灭虫概念、基于电容式微机械超声换能器（CMUT）的信息素受体生物传感器、气体传感器结合深度学习的害虫检测，以及垂直波束昆虫雷达（如IMRU）。这些方法处于不同成熟度，部分仍为概念验证或大气研究衍生技术。
3.2 昆虫计数与识别中的数据处理计算策略
3.2.1 YOLO技术
YOLO（You Only Look Once）系列是应用最广的单阶段检测器。从最初的YOLO到YOLOv8，通过改进特征融合（如自适应特征融合AFF）、轻量化模块（如CAC3、ConvNeXt、SE注意力）和小目标检测能力，在多个害虫数据集（如IP102、Pest24）上取得较高平均精度（mAP）。部分研究将YOLO与SVM等传统分类器结合用于嵌入式边缘计算，或利用大规模物种库（如GBIF）实现广域昆虫识别，但性能仍受数据集规模、类不平衡和环境复杂性影响。
3.2.2 深度学习
卷积神经网络（CNN）是图像昆虫识别的主流方法。ResNet、Inception、Xception等预训练模型通过迁移学习实现高精度分类，准确率可达96%以上。近期研究引入视觉Transformer（如EViTA）、生成对抗网络（GAN）数据增强、贝叶斯深度学习、开集识别（OOD检测）等，以提升对未见类别的泛化能力。此外，边缘AI设备（如针对褐纹臭蝽的轻量级CNN）展示了低保真硬件上实时识别的可行性。尽管实验室性能优异，但向多样田间环境迁移仍需验证。
4 跨技术综合、部署就绪性和未来研究路线图
不同技术各有优劣：相机系统提供视觉可审计性，但依赖图像质量和传输；红外/声学系统低功耗但分辨率有限；光子/雷达适合大尺度丰度监测。性能指标（如准确率、mAP、MAE等）因任务和条件而异，直接比较具有误导性。部署需考虑能源自主性、连接性、维护成本及模型迁移性。未来研究应优先建立标准化基准和独立田间验证，发展传感器融合、边缘AI、领域自适应和不确定性感知方法，以提升系统实际决策支持价值。
5 结论
自动化昆虫监测正通过传感、通信和机器学习集成而发展，但没有一种技术能适用于所有目标。相机系统最成熟，声学/红外补充连续监测，新兴技术扩大应用范围。为促进实际采用，需标准化报告、长期田间验证、数据多样性以及系统级评估。传感器融合、边缘AI和领域自适应方法在可量化收益的前提下具有良好前景。
