《Agronomy》：YOLOv8-SED for Tea Small Green Leafhopper Detection: A Handheld Prototype and Pilot Counting Study
编辑推荐：
茶小绿叶蝉（Empoasca onukii Matsuda）的常规计数需要反复目视检查叶片，因为成虫和若虫体型小、易活动且常被部分遮蔽。本研究开发了一种手持设备，用于拍摄特写图像，并在Raspberry Pi 4B上本地运行优化后的YOLOv8检测器（YOLO
茶小绿叶蝉（Empoasca onukii Matsuda）的常规计数需要反复目视检查叶片，因为成虫和若虫体型小、易活动且常被部分遮蔽。本研究开发了一种手持设备，用于拍摄特写图像，并在Raspberry Pi 4B上本地运行优化后的YOLOv8检测器（YOLOv8-SED）。采用微距镜头和固定近场LED，为单片叶片检查提供更稳定的成像条件。YOLOv8-SED引入了C2f-SPD特征模块、高效通道注意力（ECA）和DySample上采样。研究人员在785张标注图像上使用五个随机种子评估了八种配置。YOLOv8-SED的平均精度、召回率、F1、mAP@0.5和mAP@0.5:0.95分别为90.3%、97.7%、93.9%、95.3%和70.5%。按采集会话分组重训练后，mAP@0.5为90.1%，而YOLOv8n为83.5%。完整的嵌入式图像处理周期平均为1.34秒。研究人员选取了10组每组100片叶片进行配对田间观察。原始计数与操作员辅助计数相区分，后者由同一名知晓人工参考计数的观察者在离线重复和误检审查后得出。该原型支持本地检测和离线记录；在推广部署前，仍需更广泛的验证和完整的调查时间测量。
茶小绿叶蝉（Empoasca onukii Matsuda）是茶树主要害虫之一，其成虫和若虫体长仅数毫米，常分布于叶片边缘或背面，常规百叶调查需要人工逐叶检查，耗时且观察者间差异大。近距离成像可保留观测记录并减少人工计数负担，但昆虫在降采样特征图中可能仅占据少量像素，叶脉、反光和不均匀光照也会干扰目标识别。现有深度学习方法多用于作物病虫害识别或诱捕器监测，尚未针对百叶调查中的叶上计数问题给出直接解决方案。为此，研究人员开发了一款基于Raspberry Pi 4B的手持原型，集成微距相机和近场LED，并提出了改进的YOLOv8检测模型YOLOv8-SED，通过在特征提取、通道加权和上采样路径中分别引入C2f-SPD、高效通道注意力（ECA）和DySample模块，以提高小型叶蝉的检测精度。在785张标注图像上的五种子消融实验表明，YOLOv8-SED的mAP@0.5达到95.3%，mAP@0.5:0.95达到70.5%，分别较YOLOv8n基线高6.5和9.2个百分点；按采集会话分组重训练后，mAP@0.5为90.1%，仍高于YOLOv8n的83.5%。在10组百叶田间配对计数中，YOLOv8-SED的原始计数平均绝对误差（MAE）为0.30头/百叶，操作员辅助后降至0.20头/百叶。该原型在本地完成检测与数据记录，为茶小绿叶蝉的便携式调查提供了可行工具，但研究人员强调需进一步扩大验证范围和测量完整调查时间，方能支持推广部署。
主要技术方法如下：研究人员从浙江绍兴余茶村龙井43品种茶树采集自然虫害图像，共785张阳性图像（含成虫和若虫）及58张辅助负样本图像，另用42张蓟马和38张蜕皮图像作为挑战集。所有图像在本地设备上采用YOLOv8-SED模型部署，该模型基于YOLOv8n修改，包括C2f-SPD（空间到深度特征重排）、ECA（高效通道注意力）和DySample（动态上采样）。训练使用NVIDIA RTX 4080，PyTorch 1.11/CUDA 11.3，输入尺寸640×640，采用Mosaic、MixUp等数据增强，用5个随机种子训练8种配置；部署时导出为FP32 ONNX格式，在Raspberry Pi 4B上以置信度0.25、NMS IoU 0.70进行推理和计数。
3.1 五种子消融与各类别性能
通过固定数据划分、训练设置和推理阈值，对YOLOv8n基线、三个单模块（C2f-SPD、ECA、DySample）、三个双模块组合及完整SED共八种配置分别用5个随机种子训练。结果显示YOLOv8-SED的平均召回率、F1、mAP@0.5和mAP@0.5:0.95均最高，分别较基线提升10.5、6.1、6.5和9.2个百分点。单独加入C2f-SPD使召回率提高8.5个百分点，但精度降低0.7个百分点；ECA单独使mAP@0.5提高5.1个百分点；DySample单独提高3.6个百分点。成虫的各项指标略高于若虫，表明更小的若虫体型对定位更具挑战。
3.2 原始单次运行结果、划分敏感性与训练行为
历史seed-42单次运行中，按验证集最高mAP@0.5选择的检查点在测试集上得到98.3%召回率，但在调整后的79张测试子集上重新评估为94.8% mAP@0.5，证实该结果依赖特定划分。按采集日期和茶园地块进行会话分组重训练后，YOLOv8-SED的mAP@0.5为90.1%，YOLOv8n为83.5%，优势保持在6.6个百分点，但绝对分数均低于原始划分。训练曲线显示约85 epoch后整体趋于平台期，但SED的召回率在最后5–10 epoch仍明显上升，提示不能视为完全稳定收敛。
3.3 嵌入式执行与调查工作量
在Raspberry Pi 4B上，YOLOv8-SED完成一次从采集到显示/保存的完整电子周期平均耗时1.34秒（SD 0.034秒），其中推理占69.4%；换算约0.75图像/秒，适合静止叶片检查。典型有源功耗约4.2 W，低功耗记录为3.2 W。对完整100叶组（每叶两面共200张图像），仅电子周期理论下限为268秒（4.47分钟），但实际调查时间还需包括定位、调焦、人工检查等未测量环节。
3.4 初步百叶计数比较
在10组100叶（共2000张图像）的配对田间试验中，人工参考计数总计57头，SED原始计数总计60头，操作员辅助后为55头。SED的原始MAE为0.30头/百叶，平均相对误差（MRE）为5.10%，偏差为+0.30头/百叶；操作员辅助后MAE降至0.20头/百叶，MRE为2.54%，偏差为-0.20头/百叶。其他模型（YOLOv8n、C2f-SPD、ECA）的辅助计数并不总能降低误差，因为移除误检可能暴露出原本被数值抵消的漏检。现场还记录了非目标昆虫、叶斑、反光、灰尘等误检来源，以及叶脉遮挡、叶毛和弱光模糊等漏检来源，但所选示例不代表整体聚合精度。
3.5 同重量级检测器对比
在相同划分、超参数和阈值下，与YOLOv5n、YOLO11n标准轻量级检测器比较，YOLOv8-SED的召回率和mAP最高，但PyTorch检查点文件稍大（5.99 MB），电子周期稍长（1.34秒 vs. YOLOv5n的1.30秒、YOLO11n的1.28秒）。该对比表明SED在精度上的收益以轻微的速度和存储开销为代价。
讨论部分指出，本研究的贡献在于将检测器与手持式记录检查流程集成，而非简单的识别或诱捕监测。五种子结果刻画了同一划分下的优化变异性，会话分组重训练保留了相对优势，但绝对分数下降提示仍需跨时段验证。本地推理、显示和存储支持无网络作业，但完整调查时间应包括操作者动作。原始计数与辅助计数回答不同问题，辅助审查可能因观察者知晓参考值而引入偏倚。研究局限性包括单一地点和品种、测试集仅79张图像、目标密度低，以及严重遮挡目标被排除在标注范围之外。未来需进行多地点、多密度、设盲参考观察者和完整时间测量的前瞻性验证。
研究结论可翻译为：YOLOv8-SED将C2f-SPD、ECA和DySample集成于手持式Raspberry Pi原型中。在原始划分上，五种子平均mAP@0.5和mAP@0.5:0.95分别为95.3%和70.5%，较基线均值高出6.5和9.2个百分点；会话分组重训练得到SED平均mAP@0.5为90.1%，基线为83.5%。主模型（扩展率1.5）使用5.99 MB的PyTorch检查点，FP32嵌入式采集到输出周期平均为1.34秒。十组百叶评估中，原始自动计数与操作员辅助输出分别报告，辅助计数由同一名知晓人工参考计数的观察者进行离线重复和误检审查后获得。该原型证明了近距离检查中本地检测和离线记录的可行性，但建立普遍田间适用性仍需更广泛的前瞻性验证和完整调查时间测量。
