基于改进YOLOv11与细粒度种内分类的森林害虫多生命周期检测模型

《Insects》：Forest Pest Detection Algorithm Based on Improved YOLOv11 with Intraspecific Classification Strategy

　　

简要总结

森林害虫对树木造成严重损害，但从图像中识别它们却十分困难，因为不同害虫物种的外观往往非常相似，即使同一种害虫在不同生命周期阶段（如幼虫、若虫和成虫）的外观也可能差异很大。这种混淆使得检测系统难以准确区分不同害虫。本研究构建了一个覆盖同一物种不同生命阶段的害虫图像数据集，并开发了一种改进的YOLOv11检测模型。该模型旨在更好地捕捉相似害虫物种之间以及同一害虫不同生长阶段之间的细微视觉差异。实验结果表明，所提出的模型检测精确率达到97.19%，召回率为97.20%，总体精度（AP_50–90）为88.25%，优于现有方法。在实际应用中，该模型能够准确识别害虫种类及其发生阶段，帮助林业管理人员采取针对性的防治措施，避免过度使用农药，从而降低防治成本和环境负荷。

摘要

森林害虫检测面临诸多挑战，例如不同物种外观高度相似，导致特征混淆。为解决这一问题，本文提出了一种改进的YOLOv11森林害虫检测模型，并引入了细粒度的种内分类策略。通过构建包含成虫、幼虫和若虫的数据集，即采用种内分类策略，有效缓解了因内部形态多样性所导致的识别瓶颈。该模型融合了CBA（卷积-批归一化-AReLU）模块、基于尺度的动态（SD）损失函数以及自适应空间特征融合（ASFF）模块。CBA模块集成了注意力机制，以动态调整梯度，从而缓解梯度消失问题并加速模型参数收敛。SD损失基于目标尺度自适应地平衡定位损失和尺度损失，减少了IoU波动，增强了跨尺度鲁棒性。通过引入ASFF模块实现可学习的空间多尺度特征融合，缓解了分辨率冲突并优化了语义对齐。实验结果表明，改进后的YOLOv11模型优于现有方法，精确率、召回率、AP_50–90和F1分数分别达到97.19%、97.20%、88.25%和97.17%。在实际应用中，所提出的模型能够准确捕捉同一害虫在不同生命周期中微观特征的细微差异。本研究可准确识别害虫种类及发生阶段，匹配针对性防治措施，避免过度使用农药，显著降低防治成本和环境负荷。