《Agriculture》：Device and Algorithm Co-Design for Precise Monitoring of Matsumurasca onukii Trap-Capture Dynamics in Field Environments
编辑推荐：
对茶小绿叶蝉（Matsumurasca onukii）的精准监测是数据驱动型综合害虫管理（IPM）的基础，然而现有自动监测系统常受限于不稳定的户外光照、诱捕后昆虫形态劣化及目标遮挡，导致检测精度下降。为应对上述挑战，研究人员通过智能监测设备与增强型检测模型的协
对茶小绿叶蝉（Matsumurasca onukii）的精准监测是数据驱动型综合害虫管理（IPM）的基础，然而现有自动监测系统常受限于不稳定的户外光照、诱捕后昆虫形态劣化及目标遮挡，导致检测精度下降。为应对上述挑战，研究人员通过智能监测设备与增强型检测模型的协同设计，开发了一套基于物联网（IoT）的自动化茶害监测体系。监测设备采用主动机械解耦机制，在标准光学舱内获取图像；检测模型则针对诱捕后形态劣化带来的检测困难进行优化；此外引入时空校正流程以提升计数可靠性。田间诱捕对比显示，智能监测设备（IMD）的观测捕获密度高于标准对照组与尺寸调整对照组，平均配对差异分别为0.225（95% CI，0.109–0.380）与0.275（95% CI，0.169–0.412）头/cm?2；RVBE-YOLO的F1分数达92.90%。2025年于某研究站点全年部署三台IMD，系统生成与专家判读的日计数高度吻合（R2 > 0.99；RMSE = 0.17–0.63），并清晰刻画了M. onukii日诱捕量的季节变化。结果表明，所提系统在评估田间条件下可提供可靠、连续的M. onukii诱捕记录，支撑茶园长期自动化害虫监测。
研究背景方面，茶（Camellia sinensis）作为全球重要经济作物，其可持续生产持续受茶小绿叶蝉（Matsumurasca onukii）威胁，该虫繁殖快、体色隐蔽、扩散强，可致中国主产区年减产15–20%并伴生“叶蝉灼烧”与芽梢抑制。传统人工目测与扫网采样劳动强度大、带观测偏倚且时间分辨率低，难以捕捉其快速波动的种群动态。基于计算机视觉的自动化监测虽受关注，但已有深度学习模型多在手持相机相对受控条件下训练，固定田间设备面临眩光、强阴影、过曝及粘板背景干扰；同时粘板累积诱捕使虫体随时间出现黑化、萎缩、半透明等形态劣化，连续帧漏检会向日计数误差传播，现有系统缺乏将图像标准化、劣化检测与时空计数校正协同解决的框架。
研究人员据此开展设备—算法协同研究，目标是为M. onukii田间粘板诱捕提供连续精准监测。论文发表于《Agriculture》。核心结论为：所开发的旋转式诱捕—成像智能监测设备（IMD）在开放诱捕与半封闭LED标准光学舱成像间切换，结合云端RVBE-YOLO检测与基于空间记忆的时空校正，全年三台IMD日计数与专家一致（R2>0.99，RMSE 0.17–0.63），F1达92.90%，可可靠支撑长期自动化监测。
主要关键技术方法（不超250字）：样本来自福建省农科院茶研所福安社口镇茶园2024年8月至12月三台IMD采集的1382张1800×1350像素粘板图，按粘板更换周期划分训练/验证/测试约7:2:1；针对小目标（约48×54像素）采用重叠滑动窗口裁切为640×640（步长540）；以自研SyncLabel平台做跨帧时空标注传播；基线选YOLOv8m，提出RVBE-YOLO，将C2f中瓶颈块替换为重参数化视觉Transformer块（RVB）并在Token Mixer嵌组间EMA注意力；系统层为感知—处理—应用三层物联网（IoT）架构，阿里云OSS事件触发推理，空间记忆以50像素中心距匹配跨日同体，粘板更换重置记忆求日增量。
研究结果各节浓缩如下：
3.1 设备诱捕性能验证：2025年4–9月田间对比IMD与标准黄板（200×250 mm）、同尺寸裁剪板（122×166 mm），IMD观测捕获密度最高，较两对照组平均配对差0.225与0.275头/cm?2（95% CI不跨零），表明该结构在评估配置下具更高捕获密度。
3.2 基线模型选择：对比YOLOv8n/s/m/x，YOLOv8m在精度与算力间平衡最佳，选作基线。
3.3 RVBE-YOLO性能：较YOLOv8m精度94.76%→97.49%、召回85.12%→88.71%、mAP@0.5达94.43%、F1为92.90%，参数/FLOPs/体积降约36.8%/36.7%/36.3%；消融表明C2f-RVB与嵌入式C2f-RVB-EMA融合组合最优；HiResCAM显示激活更聚拢目标、抑背景。
3.4 与其他检测模型比较：RVBE-YOLO在YOLOv5m、YOLOv8m、YOLOv10m、SSD、Faster R-CNN中召回与mAP@0.5:0.95最高，P-R曲线优于其余。
3.5 形态劣化下检测：对黑化、萎缩、半透明虫体，YOLOv5m/YOLOv8m有漏检误检，SSD/Faster R-CNN框重叠，RVBE-YOLO漏检少、框冗余低。
3.6 通过TPMS在线监测：3.6.1移动端可视化温湿度与诱捕趋势；3.6.2中心距阈值45–55像素稳定，50像素最优，校正后三台IMD的R2升高、RMSE 0.17–0.63、MAE降低，Bland–Altman偏倚近零、95%一致限收窄；3.6.3三台IMD日序列Spearman相关0.438–0.580，1–3月<5头/日，4月中起升，5月初主峰15–50头/日，6月降，7–8月次波动，9月后走低。
讨论部分总结：机械解耦旋转机构兼顾开放诱捕与标准成像，但固定位点使IMD捕获密度偏高不能完全归因结构，可能源于黄板与茶冠层对比及光环境改变，需行为学验证。RVBE-YOLO的C2f-RVB与EMA融合缓解小目标与劣化检测，但测试集未按劣化程度分层，属定性证据。系统级时空校正降低漏检传播，但Bland–Altman未显式处理日内重复测量时间依赖，可能低估不确定度；粘板诱捕量不等同冠层绝对种群，需独立采样校验。局限含需人工换板、单点单年三设备、未多虫种、单轮训练无随机种子重复、跨patch重复未删；未来指向自动卷板、多类检测、显式跟踪与多站多年生态验证。
结论部分翻译：本研究旨在开发设备—算法集成系统，在田间条件下精准连续监测M. onukii粘板诱捕动态。在评估条件内，通过智能监测设备、RVBE-YOLO与时空校正流程协同达成目标。粘板集成未损诱捕性能，半封闭成像提供标准化采集；RVBE-YOLO精度97.49%、召回88.71%、mAP@0.5 94.43%、mAP@0.5:0.95 62.53%，较YOLOv8m四项分别高2.73、3.59、0.50、1.82个百分点，参数减36.8%，在对比模型中F1最高（92.90%）。2025年单点三台IMD全年部署与专家日计数高度吻合（R2>0.99，RMSE 0.17–0.63），录得早期5月主峰等季节变化。结果表明系统在评估田间可连续可靠记录诱捕量；但跨多点多季多管理制式与独立冠层采样验证前，诱捕量尚不能直接推演冠层种群丰度或IPM阈值。未来研究聚焦自动换板、多种类检测及诱捕量与环境农艺变量融合预报。
