《Computers and Electronics in Agriculture》：EasyAphid: a comprehensive method for aphid infestation quantification in wheat using EVC-YOLO-Seg model and RGB images
编辑推荐：
基于1,412张田间图像构建蚜虫实例分割数据集，提出融合YOLO框架与EV Block和FMCA模块的EVC-YOLO-Seg模型，实现蚜虫与叶片的高精度分割（mAP=0.888），并建立包含数量、密度、覆盖等七项指标和综合指标ADI的量化评估体系，开发了移动端应用EasyAphid。
邓浩天|邓慧|陈家伟|刘欣|裴子军|高晨钊|孙琦|张欣|翟世杰|胡学丽|范树明|王晓|周勤|蔡健|钟颖欣|黄梅|周云|江东|张震|李青
南京农业大学高级跨学科研究学院，中国南京210095
摘要
蚜虫是小麦生产中最有害的害虫之一，及时准确的蚜虫监测对于有效控制害虫至关重要。然而，现有的方法主要依赖于人工调查，导致害虫监测的质量和效率较低。蚜虫监测的主要挑战包括目标体积小以及在复杂田间条件下分割精度不足。为了解决这些问题，我们基于1412张田间图像构建了一个蚜虫和叶片的实例分割数据集，并提出了一种叶片级别的实例分割模型（称为EVC-YOLO-Seg），该模型将YOLO框架与设计的EV Block和Fusion Multi-scale Convolutional Attention（FMCA）模块相结合。结果表明，EVC-YOLO-Seg的mAP(M)、mIoU和F1-Score值分别为0.888、0.852和0.906。此外，我们开发了七个侵染指标（数量、密度、覆盖率、聚集程度、簇数、平均簇大小和最大簇大小）以及一个综合指标（蚜虫侵染指数ADI），以根据模型和统计分析定量评估蚜虫侵染的严重程度。所有提出的指标与实际值具有很高的相关性，R2范围从0.814到0.978。通过计算八个关键指标，157种材料被成功分类为四个具有显著不同蚜虫侵染程度的类别，证明了这些指标的有效性。最后，为了提高算法的利用率并确保研究成果惠及更广泛的科研社区，我们整合了上述方法，开发了一个名为EasyAphid的基于移动设备的自动蚜虫侵染分析应用程序。总体而言，所提出的方法在蚜虫分割和定量侵染评估方面表现出强大的性能，并显示出在田间条件下支持小麦蚜虫侵染模式细粒度监测的巨大潜力。
引言
小麦是全球最重要的谷物作物之一，为人类提供了主要的营养和膳食纤维来源。它被广泛用于食品生产、动物饲料、工业加工和传统医学（Mudare等人，2025年）。然而，小麦极易受到各种昆虫害虫的侵害，其中蚜虫尤其具有破坏性。全球范围内，像蚜虫这样的入侵害虫导致小麦产量损失约21.5%，每年造成的经济损失估计约为700亿美元（Savary等人，2019年；Gula，2023年）。蚜虫通过刺吸叶片的汁液来获取养分，从而耗尽养分，影响光合作用，并导致叶片损伤或脱落（Shrestha等人，2024年；Omkar和Tripathi，2020年）。此外，它们还是植物病毒的传播媒介，可能导致植株矮化、种子不育甚至作物完全失败（Bass和Nauen，2023年；Dedryver等人，2010年）。作为小麦的重要器官，叶片健康直接影响光合作用、水分和养分的吸收，最终决定产量表现（Yang等人，2021年）。因此，对单叶片级别的蚜虫侵染进行及时和精确的监测对于确保小麦的健康生长和产量稳定性具有重要的科学和实际意义。
现有的蚜虫监测方法主要分为人工田间调查和害虫诱捕站（Hussain等人，2024年）。尽管人工调查具有较高的准确性，但它们劳动强度大且效率低下（Chen等人，2022b）。诱捕站可以实现实时害虫监测，但其移动性较差，限制了其在动态或大规模监测场景中的应用（Rincon等人，2025年）。由于蚜虫繁殖迅速且分布广泛，使用传统方法难以追踪它们，这些方法往往主观性强、效率低下且不准确（Han等人，2025年；Javed等人，2025年；Liu等人，2023年）。此外，这些方法存在严重的时间延迟，无法及时响应害虫侵染，阻碍了基于数据的农药施用决策。因此，快速准确地识别和量化小麦叶片上的蚜虫侵染程度是害虫监测研究中的一个紧迫挑战。
随着植物表型组学的快速发展，计算机视觉和深度学习技术在多个物种的作物害虫检测和分析方面取得了显著进展，包括小麦（Fadi等人，2025年；Geng等人，2025年）、水稻（Yin等人，2025年；Liu等人，2025a）、大豆（Liu等人，2025b；Kang等人，2025年）、玉米（Wang等人，2025年；He等人，2025年）和番茄（Shehu等人，2025年；Yang等人，2025年）。Sabanci等人（2022年）开发了一种混合深度学习架构，结合了卷积神经网络（mAlexNet）和双向长短期记忆（BiLSTM）网络，通过迁移学习实现了对小麦籽粒中Eurygaster spp.的高精度检测。Yang和Yao（2024年）以及Yang和Luo（2021年）提出了基于ShuffleNetV2框架、自注意力机制和小目标检测层的YOLOv8-SS模型，分别实现了89.41%的平均识别准确率和91.00%的检测精度，同时降低了计算成本。Chen等人（2021年）引入了一个多阶段学习框架，并结合小目标优化技术构建了ZFnet，在复杂的田间环境中实现了94.6%的小麦螨虫计数准确率。Ciampi等人（2023年）开发了一种用于诱捕图像中害虫计数的模块化深度学习模型，准确率达到91%。Liu等人（2024年）通过添加SimAM、CGconcat和EMA注意力模块改进了YOLOv8，创建了YOLO-Wheat模型，并成功应用于实时监测平台。Chen等人（2022a）实现了一种配备智能相机的车辆，用于对谷堆进行自主检测，训练出的YOLOv4模型能够高精度检测六种害虫。Zhang等人（2024年）结合了Transformer的全局建模能力和CNN的分层特征提取能力，设计了Tiny SegFormer，这是一种轻量级分割模型，能够在边缘设备上以32 FPS的帧率检测102种害虫。尽管取得了这些进展，大多数研究仍集中在对象检测上，而不是实例分割，这限制了害虫评估，仅依赖于基于计数的指标，无法充分捕捉侵染的严重程度和空间异质性。相比之下，实例分割能够对单个蚜虫实例进行像素级划分，从而量化覆盖面积和空间聚集模式，而不仅仅是简单的计数。这种细粒度的实例信息为评估侵染严重程度提供了更全面的基础，并支持后续的多参数分析。此外，尽管现有的害虫检测设备具有较高的准确性，但其有限的便携性阻碍了快速和实时的田间分析。因此，一个高精度、低计算量的蚜虫分割模型能够实现对小麦叶片上蚜虫侵染模式的定量表征，为蚜虫相关的表型分析和下游生态或农学分析提供了技术基础。
为了解决这些挑战，我们开发了一个自动化的蚜虫害虫分析框架，用于从RGB图像中量化蚜虫侵染程度。为了实现这一目标，提出了三个具体目标：（1）提出了一种针对小麦叶片的蚜虫分割和害虫分析方法，该方法基于本研究中开发的实例分割模型（EVC-YOLO-Seg）；（2）从种群密度、覆盖面积和空间分布方面定量描述蚜虫侵染情况，并建立了一个新的综合指标，以全面反映蚜虫侵染程度，从而为小麦蚜虫的定量监测提供了一种新的指标；（3）开发了一个基于移动设备的蚜虫分割和害虫分析应用程序，为研究人员提供了监测和管理小麦蚜虫侵染的有效工具。
数据采集
数据采集于2025年6月5日完成，整个数据收集工作也在当天完成。图像数据来自中国新疆吐鲁木库克市的小麦田（39°51′59.4″N，79°4′20.6″E）。在自然条件下收集了小麦叶片上蚜虫侵染的图像，研究区域内蚜虫种群相对均匀（图1(a)）。为了确保数据的多样性和代表性，收集了157种小麦种植材料（详见表S1）。
模型训练
为了验证改进模型在蚜虫和叶片分割方面的性能，本研究在原始模型中添加了EV Block和FMCA模块，并在同一数据集和超参数上进行了训练。训练后，比较了基线模型和提出的EVC-YOLO-Seg在Box Loss、Cls Loss、Distribution Focal Loss（DFL）和Seg Loss方面的训练动态。EVC-YOLO-Seg收敛更快，并在所有四个损失指标上实现了更低的最终损失值。
模型分割性能
为了直观反映所提出模型与现有研究的性能改进，进一步进行了相关研究的比较分析。Zheng等人（2025年）通过引入C2f-CG模块和标准化的Wasserstein距离损失函数，在YOLOv8m中构建了一个轻量级的实时目标检测模型Aphid-YOLO，其mAP(M)达到了0.834。相比之下，我们的模型在更多条件下仍达到了0.888的mAP(M）。
结论
本研究提出了一种基于EVC-YOLO-Seg模型的自动蚜虫侵染识别和评估框架，以应对小麦蚜虫监测中目标体积小、田间背景复杂和分割精度有限的挑战。通过将EV Block和FMCA注意力模块集成到类似YOLO的架构中，所提出的模型在田间条件下实现了稳定和准确的实例分割，其性能指标具有代表性。
CRediT作者贡献声明
邓浩天：撰写——原始草稿，验证，监督，软件，方法论，数据管理，概念化。邓慧：撰写——原始草稿，验证，监督，软件，方法论，数据管理，概念化。陈家伟：撰写——审稿与编辑。刘欣：数据管理。裴子军：数据管理。高晨钊：数据管理。孙琦：数据管理。张欣：数据管理。翟世杰：撰写——审稿与编辑。胡学丽：数据管理。范树明：数据管理。
资助
本研究得到了江苏省国际科技合作创新支持计划（BZ2023049）、国家重点研发计划（2024YFD2301305，2023YFD2300200）、国家自然科学基金（32502036）、江苏省自然科学基金（BK20241543）、河南省自然科学基金（252300423549）以及山东省重点研发计划的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
