《Agriculture》：Fine-Grained Sex Classification of Chilo suppressalis Based on Edge-Cloud Collaboration System
编辑推荐：
稻蛀茎夜蛾（Chilo suppressalis）(Walker)的性别比例对评估繁殖潜力和暴发风险具有重要意义，但田间诱捕图像中的自动性别分类受到小目标、姿态多变、形态差异细微及背景复杂等问题的阻碍。研究人员开发了一种边缘–云协同系统，用于二化螟的细粒度性别
稻蛀茎夜蛾（Chilo suppressalis）(Walker)的性别比例对评估繁殖潜力和暴发风险具有重要意义，但田间诱捕图像中的自动性别分类受到小目标、姿态多变、形态差异细微及背景复杂等问题的阻碍。研究人员开发了一种边缘–云协同系统，用于二化螟的细粒度性别分类。边缘终端完成图像采集、目标检测、ROI提取与前景增强，云平台执行性别分类与结果管理。为改进小目标定位，研究人员在YOLO11n中集成全局注意力机制（Global Attention Mechanism，GAM）与自适应空间特征融合（Adaptive Spatial Feature Fusion，ASFF），构建了YOLO-CSNet。在检测约束的ROI内，利用Haar-like特征与AdaBoost判别器抑制托盘纹理、阴影及非目标区域。性别分类方面，DRS-ViT结合卷积块嵌入（Convolutional Patch Embedding，CPE）、判别区域软加权模块（Soft-Weighting module for Discriminative Regions，SWV）与KANsformer编码器，以表征微弱性别相关线索并建模全局结构关系。YOLO-CSNet的精度、召回率、mAP@0.5与mAP@0.5:0.95分别为94.36%、93.19%、95.32%与73.95%。DRS-ViT的准确率、精度、召回率与F1分数分别为93.93%、94.68%、93.29%与93.91%。在2026年5月至6月山东单点时间独立田间部署中，系统图像上传成功率为91.7%，端到端准确率为87.9%。田间结果支持该工作流在测试条件下的可行性。未来工作将拓展至多站点、多季节田间验证以评估系统泛化性。
研究背景方面，水稻是全球尤其是亚洲重要粮食作物，二化螟（Chilo suppressalis）(Walker)幼虫蛀茎危害维管组织，导致枯心、白穗与产量下降。传统人工调查与专家鉴定效率低、主观强，难以支撑实时监测。现有深度学习研究多停留在“物种—数量”层面，尚未进入同物种内性别差异识别。二化螟二代性别比直接影响种群繁殖潜力与后续暴发规模，是害虫预测与防控的关键指标。田间图像存在背景、尺度、姿态、标本状况与画质差异，使模型研发与部署数据之间存在鸿沟，因此亟需兼顾可靠个体定位、微弱性别线索保留与野外设备算力的解决方案。研究人员构建了边缘–云协同细粒度性别分类系统，论文发表于《Agriculture》。
关键方法上，研究人员使用山东三地2023—2025年原设备图像构建稻虫数据集用于YOLO-CSNet训练，经专家核实的1020头二化螟独立标本构成受控性别分类数据集用于DRS-ViT；边缘端以YOLO-CSNet做小目标检测，以Haar-like特征与AdaBoost做ROI前景增强，云端以CPE、SWV与KANsformer构成的DRS-ViT做性别分类，并以2026年5—6月济南时间点独立田间数据做端到端验证。
- 3.
Experimental Results
3.1 Training Results of the YOLO-CSNet Model
3.1.1 Model Comparison Experiment
研究人员在稻虫数据集上比较Faster R-CNN、YOLOv5/v7/v8/v9/v10、YOLO26n、YOLO11n与YOLO-CSNet，YOLO-CSNet取得最高平均检测性能，mAP@0.5为95.32%，说明GAM与ASFF可增强复杂诱捕背景下二化螟目标区域表征。
3.1.2 YOLO-CSNet Ablation Study
消融实验显示，GAM单独、ASFF单独及二者组合均优于YOLO11n；组合后参数由2.6 M降至2.3 M、FLOPs由6.6 G降至6.2 G、模型尺寸由5.35 MB降至4.80 MB，但推理速度由128 FPS降至117 FPS，说明轻量是指参数量与计算量下降而非原始吞吐提升。
3.2 Training Results of the DRS-ViT Model
3.2.1 Model Comparison Experiment
在受控性别分类数据集上，DRS-ViT准确率93.93%、精度94.68%、召回率93.29%、F1分数93.91%，优于ResNet50、MobileNetV3-Small、EfficientNet-B0、ConvNeXt-T、ViT-B-16、Swin-T与TransFG；缺头雄性标本误分为雌性的案例表明，性别相关形态缺失会与误分类相关。
3.2.2 DRS-ViT Ablation Study
ViT基线准确率91.03%；CPE、SWV、KANsformer分别带来0.99、2.39、0.70个百分点提升，SWV贡献最大；三者集成后DRS-ViT取得最高平均性能。
3.2.3 Attention Visualization
可视化显示ViT-B-16响应分散且受背景纹理干扰，Swin-T与TransFG仍有局部偏差，DRS-ViT响应集中于翅缘、触角、头部、翅面纹理与体轴，背景响应更弱。
3.3 Field Data Transmission Performance Analysis
田间共采7168张图，5993张含虫，1175张空盘图不计入上传失败；5G临时中断致上传丢失率8.3%，上传成功率91.7%，说明边缘到云持续传输总体可行。
3.4 End-to-End Classification Performance Analysis
以IoU≥0.7且性别正确为联合准则，田间5993个专家确认二化螟个体中系统级准确率87.9%；前景增强、YOLO-CSNet与DRS-ViT分别替换对照均有提升但不可加；田间雌雄召回率分别为89%与87%，无显著性别偏向。
Discussion部分总结：研究人员指出该系统把智能诱捕从检测计数推进到同物种性别分类；YOLO-CSNet与DRS-ViT各自模块具有互补作用；设备端环形无影光源、吸光内壁与推拉清虫机制降低了采集变异，但残次图像、遮挡与标本损伤仍影响田间表现；YOLO-CSNet为闭集物种过滤，形态近似未建模昆虫可能作为假阳性进入下游；87.9%端到端准确率不能直接视为分类器退化，因为输入与判定准则不同；单点单季验证不足以证明泛化性，未来需多站点多季节、开放集拒识、多视角采集与多种害虫时序预测。
- 5.
Conclusions
研究人员得出结论：该边缘–云工作流集成田间采集、边缘检测与ROI前景增强、云端二化螟性别分类；YOLO-CSNet的mAP@0.5与mAP@0.5:0.95为95.32%与73.95%，DRS-ViT受控条件下准确率93.93%；2026年时间独立部署取得87.9%系统级准确率与91.7%图像上传成功率，支持该工作流在山东5—6月站点可行；跨站点、跨季节、害虫密度、环境背景与设备版本的泛化性尚待建立；未来工作将优先拓展田间验证，并延伸至多种害虫时间序列预测与种群动态建模。
