《Frontiers in Plant Science》：Lightweight YOLOv8s-BD for small and dense agricultural pest detection using dynamic upsampling and bidirectional feature fusion
编辑推荐：
田间环境下作物害虫的实时精准检测对于智能植保和粮食安全保障至关重要。然而，实际农田场景带来了诸多挑战，包括目标尺度极小且分布密集、类间形态高度相似、背景复杂以及长尾类别分布（long-tailed class distribution）。为解决上述问题，本研究
田间环境下作物害虫的实时精准检测对于智能植保和粮食安全保障至关重要。然而，实际农田场景带来了诸多挑战，包括目标尺度极小且分布密集、类间形态高度相似、背景复杂以及长尾类别分布（long-tailed class distribution）。为解决上述问题，本研究在YOLOv8s架构基础上提出了一种改进的轻量化检测模型YOLOv8s-BD。首先，利用生成对抗网络（FastGAN）对Pest24数据集进行增强，以缓解少数类别的数据稀缺问题并丰富类内特征多样性；随后，引入动态上采样模块（DySample）以增强小尺度害虫的高分辨率特征表示，并将原始特征金字塔替换为加权双向特征金字塔（BiFPN）以优化多尺度特征融合。实验结果表明，YOLOv8s-BD在Pest24数据集上取得了72.3%的mAP@0.5和46.9%的mAP@0.5:0.95，且仅含740万参数，单张图像推理速度为1.9毫秒，在精度和效率上均优于主流YOLO系列模型。可视化结果与误差分析均证实，所提出的模型能够准确定位害虫分布区域，并有效降低相似物种间的误分类率。该模型为真实农业场景下的多类别害虫检测提供了一种实用且高效的解决方案。
论文解读
一、研究背景与问题
农作物害虫是导致全球粮食产量损失的重要因素。近年来，深度学习与物联网技术的快速发展推动了精准害虫监测的需求，亟需开发轻量化、高精度的病虫害检测模型。已有研究证实，深度学习方法在作物害虫识别中优于传统手工特征算法，但在复杂农田背景下检测精度仍严重下降，且轻量化边缘部署仍是研究薄弱环节。已有文献进一步归纳了农业害虫检测面临的四大技术障碍：训练样本不足、微小害虫特征模糊、多尺度特征匹配不一致以及密集害虫相互遮挡。这些障碍在实际粘虫板检测场景中普遍存在，而当前基于YOLO的害虫检测器无法同时解决全部问题。
尽管YOLO系列检测器在推理速度与识别精度之间取得了良好平衡，但在微小害虫检测和整体鲁棒性方面仍有不足。已有多种基于YOLO的改进方案分别从注意力机制、损失函数、轻量化卷积等单一角度进行优化，但忽略了两项相互耦合的核心缺陷：一是与内容无关的上采样无法恢复对小目标至关重要的细粒度空间细节；二是低效的多尺度特征融合将所有特征层级等同对待，忽视了浅层高分辨率特征对小害虫与深层语义特征对大目标的不同重要性。更重要的是，这两个瓶颈并非相互独立，而是相互强化——差的上采样降低了输入融合金字塔的高分辨率特征质量，而次优的融合又无法向上采样模块提供判别性特征，形成恶性循环，限制了检测精度。为打破这一循环，研究人员提出了YOLOv8s-BD模型。
二、研究内容与主要技术方法
研究人员基于YOLOv8s架构构建了YOLOv8s-BD模型，从数据增强、特征上采样和特征融合三个层面进行协同优化。研究采用的主要关键技术方法包括：其一，使用轻量级生成对抗网络FastGAN对Pest24数据集中每个类别生成600张合成图像，经FID评分与三位昆虫学背景研究人员的人工质量筛选后，共新增14400张高质量合成样本；其二，引入DySample动态上采样模块，通过静态与动态两种作用域因子模式实现内容感知的自适应上采样，恢复小目标害虫的边界与纹理细节；其三，采用加权双向特征金字塔网络BiFPN替换原始PAN-FPN结构，删除仅含单输入边的冗余节点，并为每个输入特征图分配可学习权重，实现跨尺度自适应加权融合。实验数据来源于Pest24数据集，包含24类田间作物害虫、25378张真实场景标注图像及超过190000个标注实例。数据集按6:2:2比例划分为训练集、验证集和测试集，所有实验均在NVIDIA A40 48GB GPU上完成，输入图像尺寸统一为640×640像素。
三、研究结果
3.1 YOLOv8s-BD与其他模型的性能对比
研究人员将YOLOv8s-BD与YOLOv5、YOLOv7、YOLOv8、YOLOv10和YOLOv11等主流YOLO系列模型在Pest24数据集上进行了对比实验。结果显示，YOLOv8s-BD的mAP@0.5达到72.3%，分别比YOLOv5、YOLOv7、YOLOv8、YOLOv10和YOLOv11高出3.5%、1.0%、1.7%、0.9%和2.2%；mAP@0.5:0.95达到46.9%，优于所有对比模型。在模型复杂度方面，YOLOv8s-BD仅含740万参数和25.1 GFLOPs，远低于YOLOv7的3660万参数和103.6 GFLOPs，与YOLOv5和YOLOv10相当。推理速度为每张图像1.9毫秒，快于YOLOv8的2.5毫秒、YOLOv11的2.4毫秒和YOLOv7的2.8毫秒。独立样本t检验证实，YOLOv8s-BD的检测精度显著高于所有其他YOLO变体。
3.2 消融实验
研究人员以YOLOv8s为基线在GAN增强数据集上进行了消融实验。仅引入BiFPN模块时，参数量降至740万，GFLOPs降至25.0，推理速度提升至2.1毫秒，mAP@0.5和mAP@0.5:0.95分别提升至71.8%和46.5%。仅引入DySample模块时，参数量和GFLOPs与基线几乎相同，推理速度提升至2.0毫秒，mAP@0.5提升至71.3%。当BiFPN和DySample联合集成时，模型保持740万参数和25.1 GFLOPs，推理速度进一步优化至1.9毫秒，mAP@0.5达到72.3%，mAP@0.5:0.95达到46.9%，为所有配置中最佳。配对样本t检验证实，BiFPN与DySample的组合产生了统计显著的协同增益。此外，研究人员还探索了CSFCN模块的集成，但该模块虽能略微提升精度，却大幅增加了参数量和计算开销，且与BiFPN组合时未带来一致性能提升，因此最终选择BiFPN与DySample的组合作为YOLOv8s-BD的核心增强方案。
3.3 测试实验
研究人员在代表性测试图像上对YOLOv8s-BD与各主流YOLO变体进行了定性对比。结果显示，YOLOv5和YOLOv10存在严重的漏检问题，在密集场景中无法识别许多小害虫并产生不完整或错位的边界框；YOLOv7在重叠和低对比度目标上表现不佳，假阴性率高；YOLOv8和YOLOv11有所改善，但在杂乱背景下仍偶尔无法捕获微小害虫的细粒度特征。相比之下，YOLOv8s-BD在所有测试场景中表现出最稳健和准确的检测性能，几乎识别出所有小尺寸、遮挡和密集分布的害虫，提供完整精确的边界框定位。HiResCAM热力图进一步证实，模型在稀疏、中等密集和高度杂乱背景下均能准确聚焦害虫区域，高激活区域与目标良好对齐。
3.4 归一化混淆矩阵与误差分析
研究人员通过归一化混淆矩阵对比了基线YOLOv8与YOLOv8s-BD的分类性能。结果表明，YOLOv8s-BD在大多数类别上取得了更高的对角线精度，例如暗黑鳃金龟的分类精度从0.69提升至0.76。更重要的是，非对角线混淆显著减少：形态相似害虫之间的误分类以及小害虫与背景类之间的误分类均有所降低，表明模型判别能力增强。剩余的少数误分类集中在低分辨率和弱纹理特征的小害虫以及杂乱背景中部分遮挡个体等挑战性案例上。
四、讨论总结
研究讨论部分指出，农业害虫检测中的四大技术障碍并非独立挑战，而是深度相互依赖的瓶颈。YOLOv8s-BD通过FastGAN数据增强、DySample动态上采样和BiFPN加权多尺度特征融合的三组件协同优化方案，同时应对了这些耦合瓶颈。BiFPN的贡献体现在两方面：结构上删除单输入中间节点，消除浅层金字塔层级的冗余特征变换；机制上通过可学习的逐层级加权，使高分辨率浅层特征在小目标分布偏斜时获得更高的融合权重。DySample通过可学习的内容感知采样机制，在害虫轮廓周围自适应扩展采样网格，在均匀背景区域收缩采样网格，从而在目标仅相隔几个像素时仍保持害虫间的边界区分。BiFPN与DySample组合产生的协同增益源于正反馈循环：BiFPN的可学习权重确保高分辨率特征在融合中获得适当强调，为DySample提供高质量输入特征；DySample的自适应重建保留精细空间细节，使BiFPN的权重决策更具信息性和判别力。在部署可行性方面，YOLOv8s-BD的端到端处理管线总计约2.6毫秒每帧，对应约384 FPS的吞吐量，远超典型农业相机的20-30 FPS采集速率。研究也承认了局限性：对于占据少于16×16像素的害虫，残余特征信息根本不足以进行可靠分类；少数类害虫精度在FastGAN增强后仍不理想；研究仅局限于Pest24数据集，跨数据集泛化仍是挑战。
五、研究结论翻译
本研究提出了YOLOv8s-BD，一种轻量级害虫检测模型，旨在应对真实农业场景中微小目标、密集分布、高类间相似性和长尾类别不平衡的耦合挑战。通过整合基于FastGAN的数据增强以丰富训练分布、DySample动态上采样以保留细粒度空间细节、以及基于BiFPN的加权双向特征融合以优化多尺度表示，该模型在Pest24基准上取得了72.3%的mAP@0.5和46.9%的mAP@0.5:0.95，同时保持了轻量化架构（740万参数）和快速推理速度（每张图像1.9毫秒）。消融实验证实了DySample与BiFPN之间具有统计学意义的协同效应，表明上采样与特征融合的联合优化对于多类别微小害虫检测而言，比独立的单模块改进更为有效。低延迟特性和紧凑的参数规模使YOLOv8s-BD成为精准农业中资源受限边缘设备实时部署的实用候选方案。未来工作将探索跨数据集泛化的域适应、超稀有害虫类别的少样本学习策略，以及嵌入式平台现场部署的硬件感知模型优化。
