《Agriculture》：HFU-YOLO: A Method for Detecting Underground Pests in Complex Soil Backgrounds
编辑推荐：
地下害虫因其活动隐蔽而难以监测，传统人工调查效率低下。计算机视觉为高效检测提供了有前景的途径；然而，在复杂土壤背景下，害虫边界和纹理可能被土壤颗粒、残留根系、阴影等因素遮蔽或混淆，从而降低检测精度。本研究构建了蛴螬、地老虎幼虫和地老虎蛹的图像数据集，并提出了一
地下害虫因其活动隐蔽而难以监测，传统人工调查效率低下。计算机视觉为高效检测提供了有前景的途径；然而，在复杂土壤背景下，害虫边界和纹理可能被土壤颗粒、残留根系、阴影等因素遮蔽或混淆，从而降低检测精度。本研究构建了蛴螬、地老虎幼虫和地老虎蛹的图像数据集，并提出了一种基于YOLO11n的轻量级检测模型HFU-YOLO。引入Haar小波下采样（Haar Wavelet Downsampling, HWD）模块以减少浅层边缘和纹理信息的损失。设计了一种轻量级频率自适应膨胀卷积（Lightweight Frequency-Adaptive Dilated Convolution, LFADC）模块以增强目标特征表示并减少土壤背景干扰。采用UGS-Lite辅助损失函数以改善弱边界目标的定位稳定性。结果表明，HFU-YOLO在测试集上的精确率（Precision）、召回率（Recall）、mAP@0.5和mAP@0.5:0.95分别达到77.6%、78.3%、83.5%和44.1%，较YOLO11n分别提升了4.2、3.2、6.1和6.1个百分点。HFU-YOLO具有2.59 M参数和6.2 GFLOPs，为复杂土壤背景下地下害虫的智能识别提供了参考。
**论文解读：HFU-YOLO——面向复杂土壤背景的地下害虫检测方法**
**研究背景与问题**
地下害虫（如蛴螬、地老虎幼虫和蛹）是影响作物生长和产量形成的重要生物胁迫因素。与地上害虫不同，地下害虫活动隐蔽，难以直接观察，且田间分布不均，传统人工调查依赖土壤采样、挖掘和陷阱诱捕，耗时费力且难以持续获取害虫发生信息。因此，开展地下害虫智能识别研究对于提高害虫调查效率、确定防治时机和减少生产损失具有重要意义。
当前，基于图像的害虫识别和自动监测系统已取得进展，深度学习（特别是YOLO系列）被广泛应用于农业病虫害检测。然而，现有研究多聚焦于叶片、果实、诱虫板等地上可见场景，目标多为暴露或半暴露害虫。相比之下，地下害虫位于土壤或近地表土层，其可见特征易受土壤颗粒、根系、裂缝、阴影、水分条件和部分土壤覆盖的影响，导致边界模糊、纹理混淆，检测难度显著增加。地下害虫检测面临三大困难：目标尺度小、背景干扰强、边界定位不稳定。小目标在骨干网络反复采样后易丢失边缘和纹理信息；土壤颗粒、残留根系等引入大量背景噪声，使害虫轮廓与土壤纹理相似；土壤覆盖下目标区域有限，边界模糊，回归不确定性增大。现有方法虽通过多尺度特征融合、注意力机制和损失函数优化取得一定进展，但难以同时实现细节保留、背景抑制和弱边界定位稳定。
为此，研究人员以YOLO11n为基线，提出HFU-YOLO，旨在从浅层细节保留、复杂背景特征增强和弱边界定位约束三个维度改进地下害虫检测性能。该研究发表在《Agriculture》。
**关键技术方法**
研究人员主要采用以下关键技术方法：（1）Haar小波下采样（HWD）模块，替换YOLO11n浅层下采样层，通过Haar小波分解保留低频结构和高频边缘纹理信息，减少小目标细节损失；（2）轻量级频率自适应膨胀卷积（LFADC）模块，基于频率选择思想，自适应融合低频结构和高频细节，并通过多膨胀率深度可分离卷积分支（膨胀率1、2、3）增强多尺度上下文信息，同时通过轻量级通道校准抑制土壤背景干扰；（3）UGS-Lite辅助损失函数，基于离散概率分布的信息熵，对正样本边界定位分布施加轻量级约束，鼓励弱边界目标的响应集中，提高定位稳定性。数据集来源：研究人员在室内土壤箱中构建了49种成像场景，使用工业内窥镜采集图像，包含三种土壤介质（无珍珠岩基质土、含珍珠岩基质土、田间土），并调控土壤覆盖程度、水分、根系等干扰因素，最终获得4795张有效图像（含1372张简单背景、3423张复杂背景样本），按8:1:1比例划分训练集、验证集和测试集，另构建275张独立跨条件测试集（含花生壳残留干扰）。
**研究结果**
**3.1 检测结果分析**
通过PR曲线和归一化混淆矩阵分析，HFU-YOLO在三种害虫类别上的平均精度（AP）均高于YOLO11n，总体mAP@0.5从77.4%提升至83.5%。混淆矩阵显示，HFU-YOLO减少了地老虎幼虫与蛹之间的混淆。典型样本可视化对比显示，HFU-YOLO在多目标漏检、弱边界目标漏检和类别误检场景中均表现更稳定。
**3.2 不同网络模型对比实验**
与YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n、YOLO11s、YOLOv12n和DGS-Tiny对比，HFU-YOLO的mAP@0.5和mAP@0.5:0.95分别达到83.5%和44.1%，均优于或接近所有对比模型，且参数仅2.59 M、GFLOPs 6.2，推理时间9.35 ms/帧，实现了精度与轻量化的良好平衡。
**3.3 跨条件评估**
在独立跨条件测试集（未见过背景）上，HFU-YOLO的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别为83.6%、76.2%、82.4%和46.3%，较YOLO11n提升9.2、4.6、3.6和0.6个百分点，表明其在未见背景干扰下具有初步鲁棒性。
**3.4 消融实验**
分别引入HWD、LFADC和UGS-Lite时，mAP@0.5:0.95分别提升至41.9%、40.2%和40.7%。HWD单独使用时提升最大，主要归因于浅层边缘纹理保留。LFADC和UGS-Lite组合（无HWD）时mAP@0.5和mAP@0.5:0.95达82.4%和43.9%，接近完整模型。完整HFU-YOLO（含HWD）进一步将mAP@0.5提升至83.5%，mAP@0.5:0.95略升至44.1%。重复种子实验（种子0、42、3407）证实HFU-YOLO在mAP@0.5和mAP@0.5:0.95上平均提升4.3和3.2个百分点。
**3.5 UGS-Lite权重敏感性分析**
UGS-Lite辅助损失权重λ设置为0.10时，mAP@0.5:0.95达到最高44.1%；λ增大时召回率下降，表明过强的熵约束可能导致漏检。最终选择λ=0.10。
**3.6 不同类别检测性能分析**
HFU-YOLO在蛴螬、地老虎幼虫和蛹三类上的AP@0.5、AP@0.75和AP@0.5:0.95均高于YOLO11n，其中AP@0.75分别提升10.3、9.6和5.4个百分点。地老虎幼虫的召回率和AP@0.5仍较低，表明其因体色接近土壤而检测难度大。
**3.7 特征响应可视化分析**
热力图显示，HFU-YOLO在P4和P5特征层上的高响应区域更集中于目标身体及邻近区域，而YOLO11n的部分响应分散于非目标区域（如土壤颗粒、根系）。表明HFU-YOLO增强了害虫相关特征响应并减少了无效背景响应。
**讨论与结论**
讨论部分指出，HFU-YOLO在复杂土壤背景下实现了任务适应性改进，其性能提升主要来自HWD的浅层细节保留、LFADC的背景干扰抑制和UGS-Lite的弱边界定位约束。消融实验表明，HWD通过小波分解保留边缘纹理，LFADC通过频率选择和多尺度融合区分害虫与背景，UGS-Lite通过熵约束优化定位分布。然而，地老虎幼虫因体色与土壤相似，检测提升有限。研究存在三个局限性：数据主要来源于室内可控环境，虽增设独立跨条件测试集，但尚未在自然农田条件下验证；仅包含三种害虫类别，未涵盖蝼蛄、金针虫及其他相似土壤生物；模型仅处理静态图像，未适配连续视频监测。未来工作将收集田间原位图像、扩展害虫类别、优化视频流算法以开发便携式监测原型。
**研究结论**
为了解决复杂土壤背景下地下害虫的边界模糊、部分遮挡和强背景干扰检测难题，本研究构建了包含蛴螬、地老虎幼虫和地老虎蛹的地下害虫数据集，并基于YOLO11n提出了轻量级检测模型HFU-YOLO。该模型利用HWD在浅层下采样中保留边缘和纹理细节，利用LFADC抑制土壤背景干扰，利用UGS-Lite约束弱边界目标的定位分布。这三个组件从浅层细节保留、背景干扰抑制和弱边界定位三个角度使模型适应地下害虫的成像特征。结果表明，HFU-YOLO在测试集上的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别达到77.6%、78.3%、83.5%和44.1%，较基线YOLO11n分别提升了4.2、3.2、6.1和6.1个百分点。在提高检测精度的同时，模型保持了低复杂度，参数为2.59 M，GFLOPs为6.2，并在轻量设计下同时提升了目标检测和边界定位精度。这些结果表明，针对地下害虫图像的结构改进在复杂土壤背景下对弱目标检测比直接使用原始轻量基线模型更有效。HFU-YOLO在受控土壤箱和独立跨条件图像采集设置下提升了三种评估地下害虫类别的检测性能。这些结果表明，所提方法有望作为地下害虫图像识别、土壤样本图像分析和害虫调查辅助的方法参考。未来研究将通过包含更多地下害虫类别和更多样化的成像条件（如不同土壤类型、湿度条件、光照条件、土壤深度、作物残留干扰和成像距离）来扩展田间原位图像数据集，并进行田间尺度跨场景验证，以进一步评估模型在实际地下害虫监测场景部署前的泛化能力和稳定性。
