从数字图像中精细识别昆虫害虫:一项综述

《Neotropical Entomology》:Fine-Grained Recognition of Insect Pests from Digital Images: A Survey

【字体: 大 中 小 】 时间:2026年05月05日 来源:Neotropical Entomology 1.7

编辑推荐:

  摘要:有效的害虫管理需要准确且持续的监测。这种监测有助于评估害虫种群动态,并为制定综合害虫管理策略提供指导。用于捕捉昆虫的陷阱是应用于多种作物的替代方法。然而,标本的识别和手动计数耗时较长,需要分类学知识,并依赖于专家的专业知识。自动化可以降低成本、提高准确性,并实现可扩展的分析

  摘要:有效的害虫管理需要准确且持续的监测。这种监测有助于评估害虫种群动态,并为制定综合害虫管理策略提供指导。用于捕捉昆虫的陷阱是应用于多种作物的替代方法。然而,标本的识别和手动计数耗时较长,需要分类学知识,并依赖于专家的专业知识。自动化可以降低成本、提高准确性,并实现可扩展的分析。当前的计算机视觉和人工智能技术能够快速准确地识别数字图像中的对象。本研究通过对来自多学科和专业数据库(Scopus、ACM、Web of Science、IET、DBLP、Springer和ScienceDirect)的文献进行系统回顾,重点关注农业、生态学和计算机科学的交叉领域。我们发现了2020年至2025年间发表的284项研究,其中57项符合研究标准,这些研究考虑了使用通过陷阱收集或在植物上现场拍摄的标本数字图像进行昆虫识别和计数的应用计算方法。研究结果强调了电子陷阱在实时数据收集中的应用,以及卷积神经网络的改进,包括视觉变换器和注意力机制在多物种和细粒度识别方面的应用。此外,还指出了利用显微镜资源、克服电子陷阱网络大规模部署和整合的局限性,以及将实时监测数据与天气预测模型结合以促进综合害虫管理预警系统的机会。

引言:现代农业在作物保护方面面临日益严峻的挑战,因为农业害虫对粮食安全和全球生产力构成了重大威胁(Yonbawi等人,2023年;Hechen等人,2024年)。传统上,害虫监测依赖于繁琐且主观的技术,如人工检查植物和在陷阱中计数昆虫。这些方法不仅需要熟练劳动力,而且容易出错,这给大规模实施带来了复杂性(Khairunniza-Bejo等人,2024年)。区分形态相似的物种或未成熟生命阶段需要专门的分类学知识,进一步加剧了这些操作上的限制(Yonbawi等人,2023年)。为了克服这些障碍,人工智能(AI)的进步,特别是深度学习(DL),在农业害虫监测方面取得了重大进展(Rustia等人,2023年)。在中国、巴西、意大利、台湾、葡萄牙、马来西亚、克罗地亚和西班牙等国家进行的研究表明,全球都在努力开发自动化的害虫识别和计数系统(De Cesaro Júnior和Rieder,2020年;Li等人,2021年)。这些系统被设计用于多种作物,例如玉米、小麦、水稻、可可、棉花、柑橘、芒果、番茄、大豆、苹果、梨、草莓、芦笋、甜菜、菊苣和各种温室作物。DL技术在这些进步中发挥了核心作用。研究人员使用了各种智能模型和自定义配置来进行对象检测以及数字图像中的害虫分类和计数。其中一个例子是使用带有集成摄像头和边缘计算设备的电子陷阱(e-traps),这些设备依赖于光、颜色或信息素诱饵。这些系统实现了持续的实时监测,减少了对人工干预的需求(Wang等人,2022年;Rustia等人,2021年;Freitas等人,2022年)。另一种方法是实验室扫描和识别,这允许在受控环境中捕获高分辨率图像,并支持使用更复杂的模型(Ibrahim等人,2023年;Kalfas等人,2023年;De Cesaro等人,2022年)。总体而言,这些技术创新主要为综合害虫管理(IPM)提供了强有力的技术支持。这些系统提供了准确的实时检测和害虫种群计数,有助于做出关于干预时机和强度的明智决策,从而减少农药使用,并促进更可持续、对生态影响较小的农业实践(Rustia等人,2023年)。

本研究调查了自动害虫监测的最新进展,重点探讨了计算机视觉(CV)和AI技术如何解决手动识别的局限性。该调查回顾了57篇文章中报告的技术进展,分析了在具有挑战性的情况下识别和计数农业害虫的最新技术。它强调了所采用的DL方法、模型在通用多物种和细粒度分类方面的性能、e-traps的成熟度以及主要的知识空白。这项调查是对De Cesaro Júnior和Rieder(2020年)之前发表的工作的更新和扩展,后者关注的是2015年至2019年的发展。过去6年技术的快速进步从根本上改变了农业中计算机视觉(CV)的范式,因此有必要进行新的文献调查,涵盖2020-2025年期间。值得注意的创新包括YOLO家族的卷积神经网络(CNN)架构和视觉变换器(ViT)。结合高性能边缘计算平台(如NVIDIA Jetson、Raspberry Pi和ESP32)的广泛采用,这些进步使得从理论模型向自主嵌入式解决方案的转变成为可能。本研究旨在阐明这些最新发展,并为符合农业4.0原则的监测系统提供指导。

研究选择流程图:我们的审查方法和资格标准在“材料与方法”部分中介绍。“结果”部分展示了所选研究的分析结果。“讨论”部分讨论和分析了发现的方法,强调了主要结果。最后,“结论”部分提出了结论。

材料与方法:我们的调查涵盖了2020年至2025年间发表的研究,并遵循了系统评价和荟萃分析的优先报告项目(PRISMA)指南(Page等人,2021年)。为了确保全面检索农业、生态学和计算机科学交叉领域的文献,我们咨询了七个多学科和专业数字数据库:Scopus、计算机协会(ACM)、Web of Science、工程技术学会(IET)、数字图书馆与项目(DBLP)、Springer和Science Direct。仅包括在期刊上以英文发表的研究文章。调查和分析于2025年5月至7月进行。搜索策略应用于标题、摘要和关键词元数据字段,确保选择了核心主题是研究重点的研究:(蚜虫或昆虫或害虫)AND 陷阱 AND (识别或计数或检测或监测)AND (自动或电子)。图1展示了本研究中使用的系统评价过程。在第一阶段,我们识别出17,416条记录。第二阶段筛选了用英语撰写并在期刊上发表的科学文章,得到7,082条记录。第三阶段应用了农业、昆虫学和计算机科学的过滤器以及相关领域的期刊,将集合缩小到559篇文章。第四阶段将结果限制在2020年至2025年间发表的文章,得到338篇文章。第五阶段去除了重复项,得到284条记录。第六阶段将资格标准应用于第五阶段保留的文章。这一步包括审查标题、摘要和关键词,以及简要检查材料和方法。标准如下:研究必须提出一种用于昆虫识别和计数的应用计算方法。昆虫必须使用陷阱(传统或电子)捕获,或在田间或实验室条件下直接在植物上拍摄。识别必须依赖于数字图像。经过初步筛选后,选择了146篇文章进行全文审查,最终得到57篇符合深入调查资格标准的文章。这些选定的研究详细列在表S1中。

结果:本研究选定的57篇文章总结在补充材料表S1中。该综合列表提供了每项研究的识别方法和所在国家(前两列),以及具体的作物和目标昆虫物种(第三和第四列)。第五列指出了陷阱类型,从传统诱饵(黄色卡片、信息素或光陷阱)到集成吸引方法的e-traps。第六列总结了所采用的CV和DL方法,第七列报告了IPM的有效应用,包括与气候数据或预测工具的整合。

宏观分析:57篇选定的文章使用了多种软件和硬件技术来自动化农业环境中的害虫监测,重点是数字成像和DL方法。这些研究提出了多种图像采集方案,包括数字显微镜、工业相机、智能手机相机、桌面数字化仪和连接到单板计算机的传感器。值得注意的是,尽管搜索策略中明显提到了“陷阱”一词,但资格标准明确包括了在植物上直接进行现场摄影的研究。这一包含承认自动化监测既包括物理陷阱系统,也包括直接田间观察,前提是目标是系统的害虫识别和计数。利用物理陷阱系统的研究依赖于吸引剂——如颜色、信息素或光——来吸引和保留昆虫。在这一子集中,20篇文章介绍了新的电子陷阱(e-trap)原型,这些陷阱集成了成像传感器和边缘计算组件,而8篇文章使用了早期研究中开发的设备。其余研究专注于改进多物种识别的智能模型、细粒度视觉分类(FGVC)和通用计数。这些工作主要利用了公共数据集(Xiang等人,2023年;Bollis等人,2022年;Liu等人,2021年)或基于显微镜设备和工业相机的实验室解决方案(Amarathunga等人,2022年;Ibrahim等人,2023年;Le等人,2020年;De Castro Pereira等人,2022年;Kalfas等人,2023年),通常作为未来现场或基于陷阱的应用的计算基础。在这项调查中,IPM的相关性根据应用背景进行了分类:大多数工作将IPM作为自动化的动机框架,而一部分研究通过将识别输出与气候变量融合来实现操作集成,用于害虫预测。常见的算法包括You Only Look Once(YOLO)变体(YOLOv3、YOLOv4、YOLOv5、YOLOv7、YOLOv8、YOLOv10n)、Faster R-CNN、mask R-CNN、EfficientDet以及基于ResNet、MobileNet和视觉变换器(ViT、PVTv2、SwinIR)的架构,用于识别目标昆虫(对象检测、分类和密度任务)(Wang等人,2025年;Hong等人,2021年;De Cesaro Júnior和Rieder 2020年;Hechen等人,2024年)。这些适应通常包括注意力机制,如SENet、CBAM、CA、ECA、SSA、LAHead和多注意力模块,以关注相关特征(Xiang等人,2023年;Bollis等人,2022年;Nanni等人,2020年;Peng和Wang 2022年)。特征金字塔网络也常用于处理多个对象尺度,并对损失函数和锚点函数进行定制,以优化小对象和簇的检测(Zhang等人,2024年;Liu等人,2020年;Chen等人,2025a)。此外,数据增强和迁移学习技术也被广泛用于提高模型的鲁棒性和泛化能力(Huang等人,2021年;Freitas等人,2022年;Bai等人,2024年)。关于解决方案性能,由于数据集、害虫类别、成像条件和指标的差异,直接比较结果较为困难。然而,总体来看,高性能的趋势是显而易见的。报告频率最高的指标如下:准确性:分类任务;平均精度(mAP@0.5, mAP@0.5:0.95)、精确度、召回率和F1分数:目标检测任务;平均绝对误差(MAE)和均方根误差(RMSE):计数任务;决定系数(\(R^2\):回归调整的评估。图2展示了一个分类图表,用于分析选定的文章,这些文章将在后续章节中探讨,并从以下方面进行评估:(i)国家、作物和昆虫群体;(ii)陷阱类型和自动化程度;(iii)自动识别的目的;以及(vi)作者报告的困难和偏见。图2的替代文本可能是使用AI生成的。完整尺寸图像。

系统文献回顾的结构化过程及其结果的相应分类。

按国家、作物和昆虫群体分类
所选研究的地理、农业和生物学分布总结在图3中。A面板显示,研究在中国有显著的集中趋势,占总产出的近45%(n=26)。为了确定这项分析的来源国家,我们考虑了研究团队的主要所在地;然而,一些研究涉及来自不同国家的国际合作。这种主导地位可能是由于中国庞大的农业生产和对农业4.0及早期预警技术的战略投资(Wu等人,2022年),从而形成了领先的研究中心,并创建了关键的公共数据集,例如Pest24和IP102。其他重要的贡献来自巴西(n=5)、意大利(n=4)和台湾(n=3),这些地方的研究通常针对当地相关的经济作物,如水果和蔬菜。

关于农业背景(图3B),研究主要集中在多种田间作物(n=17)和果园(n=8)上,温室种植的蔬菜(n=6)和水稻(n=5)也有显著的研究。目标昆虫群体(图3C)进一步说明了该领域的经济重点。虽然许多研究(n=12)使用通用数据集进行广谱害虫检测,但特定的研究工作集中在叶蝉和飞虱(n=11)、白粉虱(n=11)以及蛾类或毛虫(n=10)上。

对57项选定研究的定量综合按地理、农业和生物学维度进行分类。A. 按国家划分的研究文章的地理分布。B. 按作物类别划分的研究分布。C. 按目标昆虫群体划分的研究工作频率。星号(*)表示仅有一项研究贡献的国家。

按陷阱类型和自动化分类
所有使用陷阱捕捉昆虫的研究都采用了诱饵,包括黄色、光线和性信息素。没有应用主动机制,如吸力。十项研究使用了黄色粘性陷阱(YSTs)或含有水溶液的黄色托盘(Moericke类型)(Wang等人,2024年;Ciampi等人,2023年;Zhang等人,2024年;Bai等人,2024年;Gao等人,2024年;Gon?alves等人,2022年;Amarathunga等人,2022年;De Cesaro等人,2022年;Sun等人,2024年;Kalfas等人,2023年)。这些陷阱通常是传统的暴露方式,图像或监测过程仍需要人工干预来收集卡片并进行实验室数字化。两项研究使用了信息素(De Souza等人,2025年;Hong等人,2021年),还有四项研究使用了组合诱饵(Zhang等人,2022年;Ibrahim等人,2023年;Li等人,2023年;Hacinas等人,2024年)。此外,还有13项研究(22.8%)虽然没有使用物理陷阱,但也符合搜索标准。其中三项研究专注于直接在寄主植物上捕捉昆虫的图像(Zhou等人,2024年;De Castro Pereira等人,2022年;Zhang等人,2025年)。在这些情况下,植物本身作为监测基质,这对计算机视觉(CV)来说是一个极具挑战性的场景:自然光线变化大、背景不受限制且多样,以及对活体样本需要精细的焦点调整。其他十项研究使用了专门的数据集或实验室图像来提取微妙的形态特征(Le等人,2020年;Peng和Wang,2022年;Liu等人,2021年,2020年;Hechen等人,2024年;Vilar-Andreu等人,2024年;Nanni等人,2020年;Yonbawi等人,2023年;Bollis等人,2022年;Xiang等人,2023年)。包括这些研究对于丰富系统回顾至关重要,因为它们在现实条件下满足了FGVC的核心要求,提供了训练下一代智能陷阱所需的高保真数据。

二十项研究展示了电子陷阱(e-traps)原型,用于收集实时数据。这些设备集成了电子组件,如传感器、无线通信板、单板计算机、微控制器和光伏面板等资源,以实现野外图像采集以及数据处理和传输的自动化。在这些设备中,使用了诱饵来吸引昆虫。这些研究可以根据使用的诱饵进行分类:
- 黄色粘性陷阱(YSTs):十篇文章(Huang等人,2025年;Geissmann等人,2022年;Proen?a等人,2025年;Rustia等人,2023年;Chou等人,2023年;Kargar等人,2024年;Guo等人,2023年;Rustia等人,2021年;Checola等人,2024年;Huang等人,2021年)
- 性信息素:六篇文章(Molina-Rotger等人,2023年;?irjak等人,2023a,b;Freitas等人,2022年;She等人,2022年;Wei和Zhan,2024年)
- 光线:两篇文章(Sun等人,2022年;Yao等人,2020年)
- 黄色粘性陷阱和光线:一篇文章(Khairunniza-Bejo等人,2024年)
- 光线和信息素:一篇文章(Shi等人,2025年)

调查显示,黄色粘性陷阱是最常用的。对于某些物种来说,信息素的可用性和现场用于光线发射的电力生成使得这些选项更难实施,因此应用范围较窄。关于自动化,Huang等人(2021年)的研究脱颖而出,他们展示了一个带有电动系统的e-trap原型,该系统可以根据粘性表面的饱和程度自动旋转黄色粘性陷阱。

在目标昆虫的识别方面,最佳性能出现在将数字图像传输到远程/云服务器的原型中(Wei和Zhan,2024年;Khairunniza-Bejo等人,2024年;She等人,2022年)。这些地点的计算资源更丰富,例如图形处理单元(GPUs),能够支持更复杂和更大的深度学习(DL)模型的图像预测。然而,这种选择需要实现一个适当的通信网络,考虑到图像大小和发送频率。

一些作者探索的另一种策略是在设备上进行图像预测(边缘计算),通常在连接有限或间歇性的远程地点实施,以最小化能源消耗和运营成本。考虑到这些目标,边缘设备模型通常更轻便、更小,参数和浮点运算(FLOPs)更少。在某些情况下,这可能意味着与在具有高图形处理能力的服务器上运行的传统单阶段或两阶段模型相比,最大精度略有牺牲。例如YOLOv8-Nano/Small、TinyYOLOv3和SCA-YOLOv5s等模型,以及特定研究的优化(例如Wei和Zhan(2024年)报告的2.4 MB模型大小和5.6 ms处理时间),证明了这一点。

值得注意的是,“最佳性能”可能是主观的,取决于优先考虑的是最大精度、速度、边缘设备的效率,还是处理野外复杂条件的能力。总之,尽管在具有远程处理的系统中某些原始指标的性能值仍然较高,但边缘设备本地处理的进步提供了非常高的精度。这些值对于实际的害虫监测应用来说已经足够,特别是在速度、自主性和资源效率至关重要的情况下。关于边缘计算应用,Raspberry Pi(Zero W和4B系列)单板计算机在运行优化模型方面表现出色。这一背景下,?irjak等人(2023a)进行了测试,使用Raspberry Pi 4B实现了接近100%的苹果蛾检测准确率和F1分数。Rustia等人(2023年)在Raspberry Pi Zero W上进行本地处理时实现了0.96的F1分数。其他研究,如Freitas等人(2022年)和Kargar等人(2024年),通过本地处理实现了超过90%的准确率,优先考虑了效率。

这些研究中提出的电子陷阱原型大多处于早期验证阶段,这反映了电子陷阱网络在当前农业监测中的大规模部署和整合有限。这一评估得到了补充材料表S4中详细描述的实施规模和实验持续时间的支持。仅使用一个或两个单元的项目的普遍性证实,主要关注点仍然是验证CV技术和低成本边缘计算硬件,而不是系统网络部署或批量生产。这种“发展中的”状态还通过研究的持续时间得到了进一步证明,大多数情况下验证是初步的或短期的。大多数验证的时间跨度从七天到六个月,不足以覆盖多个季节性的害虫周期或在不同气候条件下的长期稳定性(这是向有效的IPM决策支持迈进的关键步骤)。值得注意的是,只有Rustia等人(2023年)报告了为期两年的验证,表明系统在田间应用方面的成熟度更高。

按自动识别目的分类
其他38篇文章探索了不同的自动害虫识别技术,这些技术可能后来会被整合到监测系统或实验室策略中。这些研究根据它们的识别深度和硬件要求被分为两个研究方向。两组的技术规格、架构和指标在补充材料表S2和S3中有详细说明。研究方向如下:
- A组(FGVC):包括提取具有高类间相似性或不同发育阶段的微小物种的细微形态特征的研究
- B组(通用检测和分类):专注于识别用于操作监测的广泛类别,而不深入探讨详细的分类学区别

A组反映了通过设计用于捕捉高阶相关性的架构修改来实现物种级识别的重大努力。基于部分和注意力驱动的策略是主要的解决方案。例如,明确地分割昆虫的身体(头部、胸部和腹部)与堆叠的ViT结合使用,以分析区分性区域(Amarathunga等人,2022年)。此外,无监督的空间和通道注意力机制,如AgriPest-YOLO中的协调和局部注意力(CLA)(Zhang等人,2022年)、ASP-Det中的成对自注意力(PSA)(Wang等人,2022年)以及Insect-YOLO中的卷积块注意力模块(CBAM)(Wang等人,2025年),作为隐式的部分检测器。这些模块细化了特征的位置(例如翅膀脉络或跗节结构),如SCA-YOLOv5s中的坐标注意力(CA)(Sun等人,2024年)所示,有效减少了背景噪声的视觉干扰(Liu等人,2021年;Bai等人,2024年;Xiang等人,2023年;Chen等人,2025b)。

采用变换器和混合架构(ViT + CNN)进一步增强了这一领域,通过平衡全局上下文信息和卷积层的效率。这体现在Pest-PVT中的金字塔视觉变换器(PVTv2)(Chen等人,2025a)等骨干结构中,DWViT-ES中的自定义机制(Hechen等人,2024年),以及将ConvNeXt或CIE块集成到YOLO框架中以增强多尺度特征提取(Xiang等人,2023年;Wang等人,2024年;Peng和Wang,2022年)。此外,多阶段和级联分类器被用来逐步细化检测,从使用Mask R-CNN的高分辨率特征提取(De Cesaro等人,2022年)到基于树的分类器进行精细配置(Rustia等人,2021年;De Castro Pereira等人,2022年;De Castro Pereira等人,2022年)。

除了标准算法外,专用硬件和复杂数据库也在推动FGVC的发展。通过显微镜、工业相机或扫描仪(Amarathunga等人,2022年;Li等人,2023年)进行的高保真采集对于区分如Liriomyza spp.或微小螨虫等物种至关重要(补充材料表S5)。此外,使用具有类别不平衡和视觉重叠的具有挑战性的数据集(如IP102和Pest24)推动了基于显著性的预处理(Nanni等人,2020年)和详细的手动或点注释来处理密集分布的物体(Zhang等人,2025年;Ibrahim等人,2023年;Ciampi等人,2023年)的发展。

B组优先考虑大规模计数的操作效率。YOLO系列(v3、v4和v8)因其速度和精度之间的权衡而在边缘设备中成为主导选择(De Souza等人,2025年;Hacinas等人,2024年;Wang等人,2021年)。虽然A组寻求分类学深度,但B组侧重于密度鲁棒性。该组的研究一致实现了与手动计数高相关性的结果,即使在高密度情况下\(R^2\)值也超过0.97(Liu等人,2021年;Hacinas等人,2024年;De Souza等人,2025年)。值得注意的是,通用方法通过将不同物种归类到单一操作类别中(Vilar-Andreu等人,2024年)或采用混合MMTL-IPCAC方法进行高精度分类(Yonbawi等人,2023年),成功实现了高达96.7%的mAP值。

我们的发现证实,2020-2025年期间,YOLO系列作为实时检测的标准得到了巩固,同时完全基于变换器的架构(如ViT)也出现了。与前五年中集成到卷积神经网络(CNNs)中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。与此同时,高性能边缘计算设备的可用性有效地促进了从理论模型向本综述中讨论的自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中整合到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。同时,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。同时,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而克服了农村地区常见的连接限制。

与之前五年中集成到 CNN 中的初步注意力机制不同,这些新架构完全基于自注意力机制,能够更有效地捕捉害虫图像中的全局依赖关系。此外,高性能边缘计算设备的可用性有效地促进了从理论模型向自主嵌入式解决方案和基于智能手机的数字侦察应用的转变。随着智能手机的日益普及和处理能力的提升,这些设备已成为农业系统中害虫监测的便捷且多功能工具。最近的研究通过硬件适配和先进的设备内数据处理技术探索了它们的潜力。例如,Li 等人(2023年)开发了一种智能野外调查系统,该系统使用了一个200倍放大的 macro 镜头和一个可调节的支架连接到智能手机相机上,从而能够在自然栖息地中获取微小昆虫(如 Liriomyza 属物种)的高质量图像。在另一种方法中,Zhou 等人(2024年)提出了一个能够在设备上直接执行自主害虫检测的移动应用程序。该应用程序集成了 YOLOv7-tiny 深度学习模型,无需互联网连接即可实时识别和计数害虫,从而这种结构化的工作流程最终通过基于模拟和预测模型(EDT)的风险分析得以实现,为现场干预措施提供所需的决策支持信息。

**结论**
本调查分析了2020年至2025年间深度学习在害虫识别领域的应用发展,发现其从通用分类方法显著转向了基于特征的学习(FGVC)以及CNN-Transformer混合架构。尽管在受控数据集上的技术准确性已经达到了令人印象深刻的水平,但在实际农业4.0场景中的应用仍面临关键障碍。文献中还存在一些亟待解决的问题:
(i) 受控数据集与无约束野外条件之间的性能差距——环境噪声和高样本密度会显著降低模型的可靠性;
(ii) 电子陷阱网络的大规模部署仍然有限,大多仍处于局部原型阶段;
(iii) 自动计数与气候变量及EDT的整合不足,限制了从简单识别向可操作决策支持的转变。

为克服这些障碍,未来研究应重点关注以下方面:
- **数据丰富化**:利用生成式AI(如GAN和扩散模型)来缓解“分类瓶颈”,解决稀有或微小物种的数据稀缺问题;
- **边缘计算优化**:开发轻量级、低能耗的模型(例如通过量化和剪枝技术),在资源受限的设备上保持高分类精度;
- **多模态集成**:结合来自本地气象传感器的实时环境数据,使计算机视觉输出与昆虫学理论保持一致,以预测害虫爆发;
- **标准化与经济验证**:建立严格的现场测试协议,并量化投资回报(ROI),以促进农业行业的广泛应用。

此外,虽然我们的研究范围涵盖了混合架构的兴起,但最新进展指出了该领域的下一步方法论方向。特别是YOLOv10和YOLO26(Chakrabarty 2026)中取消了传统的非最大值抑制(NMS)步骤,以及YOLOv9和YOLOv11中的架构改进,体现了这一持续演变的过程。这些架构通过直接绕过NMS瓶颈,在参数效率和检测严重遮挡或聚集的样本方面提供了有希望的改进。

最终,实现完全自动化和可持续的害虫监测的关键在于弥合计算复杂性与野外适用性之间的差距。所提出的概念性流程为这一演变提供了路线图,确保下一代智能陷阱不仅能提供样本数量,还能提供有效的害虫管理(IPM)所需的必要信息。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号