叶片背景下蓟马目标检测与计数算法研究

《Agronomy》：Research on Thrips Object Detection and Counting Algorithms in Leaf Backgrounds

　　

蓟马是威胁作物生长的重要微小害虫，其早期准确检测对害虫监测和精准防控具有重要意义。现有的基于图像的蓟马检测研究主要集中在粘板上捕获的昆虫，而在复杂叶片背景条件下对植物表面的蓟马进行直接检测仍相对探索不足。此外，在叶片背景图像中，蓟马目标极小、轮廓模糊，且易受叶片纹理和斑点等噪声干扰，导致检测和计数精度不足。为解决这些问题，本研究提出SCIC-DEIM，一种基于端到端检测器DEIM的小目标蓟马检测模型。首先，在荆楚理工学院收集叶片背景蓟马图像，构建了一个包含5618张图像和47726个蓟马实例的数据集。其次，围绕背景冗余抑制、目标响应增强和细节信息恢复三个关键方面，开发了SCIC-DEIM模型。具体而言，在骨干网络中引入SCConv和IIA模块构建SCIStage，并采用CARAFE替代传统上采样操作。实验结果表明，与DEIM相比，SCIC-DEIM的Precision、mAP@50和mAP@50:95分别提高了2.4、2.0和2.9个百分点，同时GFLOPs降低了约20.6%。在MAE、RMSE和R²方面也比DEIM有所改善。所提算法在叶片背景下的小目标蓟马检测中表现出较强的能力，可为保护地农业中叶面微小害虫的智能监测提供方法参考。

植物病虫害是全球作物生产的重要限制因素，蓟马是一类重要的微小吸汁性害虫，既直接危害作物，又通过传播病毒造成间接损失。传统监测主要依靠粘板诱捕后人工鉴定和计数，耗时费力，且粘板捕获数与植株上的实际蓟马密度关系不稳定。因此，需要在复杂叶片背景下直接检测植物表面的蓟马。小目标检测普遍面临目标像素占比低、语义信息有限、易丢失特征等难点。早期基于机器视觉和传统机器学习的方法依赖人工设计特征，对光照变化、复杂背景噪声以及目标重叠等情况敏感，跨场景泛化能力受限。近年来，深度学习方法虽已广泛用于农业害虫检测，但针对叶片背景下极小型蓟马的检测仍不充分，且依赖非极大值抑制（NMS）后处理的检测器在密集小目标场景中容易错误抑制相邻目标，增加漏检风险。为此，研究人员基于端到端检测器DEIM提出SCIC-DEIM，以降低后处理影响并提升叶片背景下极小型蓟马的检测与计数精度。该研究发表在《Agronomy》。

研究人员在荆楚理工学院植物生长室中，以白掌（Spathiphyllum floribundum ‘Clevelandii’）为寄主，人工接种普通大蓟马（Megalurothrips usitatus），使用智能手机采集叶片背景图像，构建了包含5618张图像和47726个蓟马实例的数据集，并按6:2:2随机划分为训练、验证和测试集，将原图四等分切割为640×640子图像。在DEIM框架基础上，在HGNetv2骨干中引入SCConv（空间-通道重建卷积）和IIA（信息集成注意力）构成SCIStage，以抑制背景冗余和增强目标响应；在特征融合阶段采用CARAFE（内容感知特征重组上采样）替代传统上采样以恢复细节信息。训练采用AdamW优化器和分阶段数据增强。评估指标包括Precision、Recall、mAP@50、mAP@50:95、参数量、GFLOPs、FPS以及计数指标MAE、RMSE和R²，并采用配对bootstrap重采样分析计数差异的95%置信区间。

### 3.1 小目标检测性能与收敛性分析
研究人员通过对比SCIC-DEIM与DEIM在训练过程中的小目标检测指标和损失曲线，发现SCIC-DEIM的mAP@50(small)、mAP@50:95(small)和AR(small)曲线在大部分训练阶段高于DEIM，并且训练损失、边界框回归损失和GIoU损失更低且更稳定，表明改进模型提高了小目标的检测性能、定位精度和召回能力，减少了漏检。

### 3.2 改进模块的消融实验分析
以DEIM为基线进行五组消融实验（A=SCConv，B=IIA，C=CARAFE）。结果表明，加入SCConv后，Precision从0.851提高到0.864，mAP@50和mAP@50:95分别提高0.6和2.3个百分点，GFLOPs从24.8降至19.4；进一步加入IIA后，Precision提高到0.875，参数量进一步下降，但Recall有所降低；再加入CARAFE后，Recall和mAP均提高。完整SCIC-DEIM相比基线，Precision、mAP@50和mAP@50:95分别提高2.4、2.0和2.9个百分点，GFLOPs降低约20.6%。热图显示SCIC-DEIM的响应更集中于目标区域，对叶片纹理、斑点等背景干扰的抑制更好。

### 3.3 与主流目标检测算法的性能对比
与Faster R-CNN、YOLOv12、Deformable DETR、RT-DETR等主流模型比较，SCIC-DEIM在Precision和mAP@50上优于RT-DETR约1.6和1.8个百分点，mAP@50:95略低（0.424对0.430），但参数量和GFLOPs大幅降低（分别减少约85.0%和91.6%），FPS达69.69，综合平衡性较好。

### 3.4.1 DEIM与SCIC-DEIM的计数性能比较
研究人员将每个原图裁剪为四个子图像分别检测，将子图像预测计数求和作为原图预测值。与DEIM相比，SCIC-DEIM的MAE从1.404降至1.283（降低约8.6%），RMSE从2.134降至1.977（降低约7.4%），R²从0.835升至0.858。配对bootstrap分析显示，MAE、RMSE和R²差异的95%置信区间均不包含零，表明计数改进具有统计可靠性。

### 3.4.2 与主流检测模型的计数性能比较
与Faster R-CNN、YOLOv12x、Deformable DETR、RT-DETR及DEIM相比，SCIC-DEIM的MAE和RMSE最低，R²最高。相较RT-DETR，SCIC-DEIM的MAE从1.326降至1.283，RMSE从2.097降至1.977，R²从0.842升至0.858，且模型复杂度显著更低。可视化对比也表明SCIC-DEIM的检测结果更接近人工标注，在极小型、颜色接近叶表纹理和密集分布场景中检测稳定性更好。

**讨论**：研究人员认为SCIC-DEIM的设计合理，SCConv、IIA和CARAFE分别解决背景冗余、弱目标响应和细节丢失三个互补问题。SCConv通过空间和通道重建在降低计算量的同时提高特征表示效率；IIA通过水平与垂直方向依赖建模提高Precision，但Recall有所下降，可能是因为对显著区域的强关注抑制了与背景相似的极弱目标响应；CARAFE通过内容感知重组改善目标边界和局部结构保留，从而提升定位性能。RT-DETR在mAP@50:95上仍有轻微优势，这可能与其更大的模型容量和计算预算有关，而SCIC-DEIM的主要优势在于检测性能与计算复杂度之间的更好平衡。与以往基于粘板图像的研究不同，本工作直接在叶片表面检测蓟马，将背景冗余抑制、弱目标响应增强和细节恢复整合在一个框架内。计数结果表明，检测精度的改善可转化为更可靠的图像级丰度估计。研究也存在局限性：数据集来自单一寄主植物和室内可控环境，未在田间或商业温室条件下验证；未来需扩展多作物多场景数据集并开展田间验证和边缘设备部署实验。

**结论**：为了改善叶片背景图像中极小型蓟马的检测和计数性能，本研究在特征提取、目标响应建模和特征融合三个层面改进了DEIM框架，提出了SCIC-DE