《Frontiers in Plant Science》：PestRefineDet: integrating DenseNet with RefineDet for precision pest detection in agriculture
编辑推荐：
摘要：引言：害虫是农业生产力的主要威胁，导致大量作物损失和粮食产量下降。准确及时的害虫检测对于减少经济损失和支持可持续作物管理至关重要。然而，由于许多害虫物种之间视觉相似性高且专家知识有限，人工害虫识别劳动密集、耗时且具有挑战性。方法：为应对这些挑战，研究人员
摘要：引言：害虫是农业生产力的主要威胁，导致大量作物损失和粮食产量下降。准确及时的害虫检测对于减少经济损失和支持可持续作物管理至关重要。然而，由于许多害虫物种之间视觉相似性高且专家知识有限，人工害虫识别劳动密集、耗时且具有挑战性。方法：为应对这些挑战，研究人员提出了PestRefineDet，一种基于深度学习的框架，将DenseNet-41与RefineDet集成用于自动化害虫检测和分类。DenseNet-41被用作骨干网络，通过密集连接增强特征提取，从而有效学习细粒度害虫特征。提取的特征随后由单阶段RefineDet框架处理，用于同时进行害虫定位和分类。结果：该框架在具有挑战性的IP102基准数据集上进行了评估。实验结果表明，PestRefineDet实现了平均精度（mAP@0.5）83.61%，在保持计算效率的同时，提供了对多种害虫物种的准确定位和可靠分类。讨论：结果表明，该框架有效捕获了区分性害虫特征，并在大规模真实世界害虫数据集上提高了检测性能。PestRefineDet为自动化农业害虫监测提供了一种有前景的解决方案，并有可能支持智能和可持续的害虫管理应用。
害虫是农业可持续生产的主要威胁，传统人工检测依赖视觉识别，受限于专家知识匮乏和物种间高视觉相似性，存在劳动密集、耗时及主观性强等问题。虽然早期机器学习方法尝试自动化，但依赖手工特征，泛化能力不足；深度学习方法虽能自动提取特征，却面临标注数据需求大、计算资源要求高及模型可解释性差等瓶颈。为克服上述局限，研究人员提出PestRefineDet框架，将DenseNet-41密集连接骨干网络与RefineDet单阶段检测框架集成，旨在以计算高效的方式实现细粒度害虫的精准定位与分类。该研究在IP102基准数据集（包含75,222张RGB图像，224×224像素，涵盖102类作物害虫，按官方划分训练集45,095张、验证集7,508张、测试集22,619张）上验证，结果显示平均精度（mAP@0.5）达83.61%，分类准确率83.57%，优于多种现有方法。该工作发表于《Frontiers in Plant Science》，为智能农业害虫监测提供了有效方案。
**主要关键的技术方法**（不超过250字）：
研究人员采用DenseNet-41作为特征提取骨干网络，通过密集连接（Dense Connection）实现特征重用与梯度传播，增强细粒度特征学习。该网络包含4个密集块（Dense Block）和3个过渡层（Transition Layer），共41层，输出多尺度特征图。随后，这些特征输入RefineDet框架，该框架包括锚点细化模块（Anchor Refinement Module, ARM）和对象检测模块（Object Detection Module, ODM），通过两步级联回归（Two-Step Cascaded Regression, TSCR）和负锚点过滤（Negative Anchor Filtering, NAF）优化定位与分类。训练使用ImageNet预训练权重，在IP102数据集上以随机梯度下降（SGD）优化器（学习率0.0015、动量0.9、权重衰减0.0005）微调30个周期，批量大小32，输入尺寸320×320像素，未采用数据增强以评估模型原生特征学习能力。
**研究结果**：
- **4.3 害虫识别评估（Evaluation of pest recognition）**：通过使用IP102测试集所有样本进行定位实验，定量计算平均精度（mAP）和交并比（IoU），得出mAP@0.5为83.61%，平均IoU为84.42%，表明模型能在复杂背景和光照变化下准确定位并识别不同尺寸、形状和颜色的害虫。
- **4.4 102类害虫识别的作物分类分析（Crop-wise analysis of 102-class pest recognition performance）**：将原始102类害虫按所关联作物（水稻、玉米、甜菜、小麦、苜蓿、芒果、柑橘、葡萄）分组，计算召回率、精确率和F1分数，平均精确率83.9%、召回率82.3%、F1分数83.57%，其中芒果、葡萄和柑橘类精度较高，水稻和苜蓿因背景相似和类内变异较大而精度较低。
- **4.5 消融研究（Ablation study）**：在保持RefineDet框架不变的情况下，替换骨干网络为VGG-16、ResNet-50、ResNet-101、EfficientNet-B0和DenseNet-121，与提出的DenseNet-41比较。结果显示，DenseNet-41以11.4百万参数和45.6 MB模型大小达到最高mAP@0.5（83.61%）和准确率（83.57%），证明密集连接机制在特征重用和计算效率间的平衡优势。
- **4.6 与其他检测模型的比较（Comparison with other detection models）**：与Faster R-CNN、SSD、YOLOv3和原始RefineDet（均使用不同骨干网络）在IP102上对比，PestRefineDet以83.61% mAP和0.22秒/张的测试时间超越所有对比模型，证实DenseNet-41骨干对定位和分类的增强效果。
- **4.7 与现有先进方法的比较（Comparison with state-of-the-art approaches）**：与Ayan et al. (2020)、Nanni et al. (2020)、Albattah et al. (2023)、Ali et al. (2023)、Anwar and Masood (2023)、Rimal et al. (2023)、Agrawal et al. (2026)和Wang et al. (2025)在IP102上比较分类准确率，PestRefineDet以83.57%准确率最高，且计算效率更优，能够处理扭曲样本和类间差异。
- **4.8 实际意义与部署可行性（Practical implications and deployment feasibility）**：通过分析模型轻量化设计（11.4M参数、3.1 GFLOPs）和边缘设备部署潜力，指出该框架可用于综合害虫管理（IPM）中的智能监测，但需进一步在田间采集图像下验证光照、背景和生长阶段变化的影响。
**讨论与结论**：
讨论部分指出，所提框架有效捕获区分性害虫特征，在复杂真实数据集上提升了检测性能，为自动化农业害虫监测提供有前景的解决方案，但实际部署前需在田间图像上验证，并考虑误检影响（漏检延迟干预，虚报导致不必要检查）。研究结论如下：本研究提出了一种经济高效的深度学习技术，用于利用无人机图像对田间作物害虫进行自动检测和分类。该方法基于定制化的RefineDet模型，以DenseNet-41作为骨干网络提取输入图像中的判别性特征。细化的锚点与特征使得能够准确识别多种害虫类型。在包含田间害虫图像的挑战性基准IP102数据集上进行了评估，证明了该方法的实际有效性。大量实验表明，该框架能够在复杂背景和害虫特征（如形状、颜色、尺寸、方向和光照）变化下，准确地对多种害虫类别进行定位和分类。所提出的PestRefineDet框架通过结合准确害虫识别与计算效率，为智能害虫监测系统提供了有前景的基础。尽管当前评估基于IP102基准，未来工作将关注田间尺度验证以及与实际农业决策支持平台的集成，以应用于综合害虫管理（IPM）。
