综述：基于深度学习的计算机视觉方法用于储藏物虫害检测与识别：系统文献综述

《Journal of Stored Products Research》：Stored-product insect pest detection and identification using deep learning-based computer vision methods: A systematic literature review

　　

•对29项研究进行了系统性文献综述。
•基于图像的深度学习能够实现快速且可靠的害虫检测。
•数据稀缺、计算成本和模型泛化能力仍然是挑战。
•基于图像的害虫检测可以支持自动化害虫监测。

引言

谷物和油料作物具有较长的保质期，可存储数天至数年。储存的主要目标是维持储藏产品的品质。然而，由害虫（尤其是昆虫和啮齿动物）造成的储藏产品损失是一个重大的全球性挑战（Suh和Hong，2025；Yaseen等，2019）。全球范围内，昆虫造成的储藏谷物产后损失估计在9%至40%之间（Bezabih等，2022；Shankar和Abrol，2012；Tadesse，2020；Yaseen等，2019）。昆虫是储藏设施中产后损失的主要生物因素，造成直接和间接损失（Banga等，2018；Zhou等，2019）。直接损失包括谷物取食损害、重量损失、营养品质下降和种子活力降低（Badgujar等，2023b；Chu等，2023；Li等，2022）。间接损失包括昆虫代谢产物、碎屑、身体残片和气味，这些会污染谷物，往往促进霉菌生长、腐败和整体品质下降（Bisgin等，2018；Demis和Yenewa，2022）。总体而言，昆虫造成的损失同时影响储藏谷物的数量和质量，带来巨大的经济和粮食安全影响（Ahmad等，2021；Berhe等，2022；Murugesan等，2024）。

谷物储存设施（如筒仓、金属仓和升降机等）本身不提供任何防虫保护（Kumar和Kalita，2017；Kuyu等，2022）。昆虫可在多个时间点进入或侵入谷物，包括在田间、收获过程中、产后处理中、储存设施内、运输过程中以及分销阶段（Chen等，2022；Hernandez Nopsa等，2015）。综合害虫管理（IPM）是一种整体性、有效且经过验证的储藏产品昆虫管理方法（Mendoza等，2023）。IPM配合监测实施多样化的适当昆虫管理策略，以控制或预防虫害并减少损害。昆虫监测涉及对储藏产品的系统采样，是储藏产品IPM的关键步骤。采样的目标是确定储藏环境中昆虫的存在、种类、丰度（即数量）和分布。因此，早期昆虫检测和识别是减少昆虫造成的储存损失的关键，因为它能在虫害变得严重之前及早发现问题（Divyanth等，2022；Tian等，2025）。

目前有几种传统的和现代的方法可用于昆虫监测，这些方法通常在准确性、效率、人力、成本和时间方面存在一定的权衡（Banga等，2018；Guru等，2022）。传统方法包括对谷物或高风险区域进行目视检查（Kumar，2017）、探针采样（Zhang等，2020）、筛分法（Wilkin和Lessard，1990）、电导率法（Brabec等，2010）、固相微萃取（Seitz和Ram，2004）、分子生物学（Solà等，2017）、特征挥发性化合物检测方法（Arnaud等，2002）、昆虫诱捕器（Toews和Nansen，2012）、谷物染色法（Leelaja等，2007）、尿酸法（Wehling和Wetzel，1983）、浮选法（Brader等，2002）、视觉和性信息素引诱法（Dissanayaka等，2020）以及伯莱塞漏斗（Jian等，2015）。这些工具或方法通常需要人工采集样品或放置探针/诱捕器，且具有破坏性、费力、耗时且需要昆虫识别专业知识（Hagstrum和Athanassiou，2019），大多数传统方法仅适用于外部检测（Banga等，2018）。一些更新颖、更现代的方法基于声学（Balingbing等，2024；Banga等，2019；Eliopoulos等，2016；Mankin等，2021；Montemayor等，2024）、人工嗅觉（即电子鼻）（Wu等，2013；Ying等，2015；Gayatri Mishra等，2018；Mohd Ali等，2020；Nouri等，2019；Srivastava等，2019a、2019b）、计算机视觉和光谱学原理。这些基于传感器的方法可以自动化，通常具有较高准确性，但也存在一定的局限性。例如，声学检测无法识别昆虫种类和发育阶段（即卵、幼虫、蛹或死虫）（Core. J，2003），且准确性受环境噪音影响（Njoroge等，2016；Zhu等，2022）。人工嗅觉是一种快速、自动化且无损的方法，但需要大量训练数据，且传感器灵敏度随时间降低（Badgujar、Swaminathan和Gerken，2025）。近红外光谱提供了一种快速且无损的虫害评估方法，但在低虫害水平下可能灵敏度有限，难以区分活虫和死虫，且对谷物水分含量的变化敏感。尽管存在这些挑战，这些现代方法作为昆虫监测的有前景的替代方案，提供了自动化和实时数据共享，解决了人力、时效性和缺乏专业知识的挑战。

近年来，计算机视觉在农业中的应用显著增加（Badgujar等，2024）。这主要是由于商业上可获得的低成本相机传感器、计算能力的提升以及深度学习（DL）方法的进步（Upadhyay等，2025）。基于图像的储藏产品害虫检测的发展反映了计算机视觉的广泛进步，从手工设计的图像描述符到数据驱动的学习算法，最终发展为现代深度学习框架（Karunakaran等，2004a）。图1综合了文献中识别的储藏产品害虫检测研究，并按所采用的感知和计算方法在时间上进行组织。20世纪90年代的早期研究集中在利用X射线成像自动化谷物目视检查，其中手工设计的卷积掩模和几何边缘特征被用于检测内部损伤（Keagy和Schatzki，1993）。随着数字成像技术的成熟，研究范围扩展到结构分析之外，结合多光谱RGB成像用于成虫检测以及近红外光谱用于物种鉴别，展示了无损光学感知在储藏产品检查中的潜力（Dowell等，1999）。

在2000年代至2015年初，研究重心转向更具辨别力的特征提取和机器学习。纹理描述符，包括灰度共生矩阵（GLCM）和灰度游程长度矩阵（GLRLM），实现了对昆虫损害的定量表征，并且越来越多地与反向传播神经网络（BPNN）结合使用，BPNN在识别受感染谷粒方面始终优于传统统计分类器（Karunakaran等，2004a）。与此同时，热成像和超光谱成像作为强大的感知模式出现，能够检测隐藏虫害（Manickavasagan等，2008）。将主成分分析（PCA）等降维技术与多模态成像——结合软X射线和近红外超光谱数据——的整合进一步提高了隐藏虫卵和幼虫的检测能力（Singh等，2009）。此后，从2018年开始，深度学习（DL）推动了储藏谷物害虫检测研究的几乎全部增长，从根本上重塑了该领域，用能够从原始图像中直接学习判别性表示的端到端卷积架构取代了手工设计的特征管线。

在过去十年中，通过深度学习的应用，基于图像的储藏产品害虫检测取得了重大进展（图1）。尽管有几篇综述论文讨论了储藏产品害虫检测，但大多数提供了涵盖传统和现代检测技术的广泛概述（Banga等，2018；Hagstrum和Athanassiou，2019；Neethirajan等，2007；Singh和Fielke，2017；Zhu等，2022），而专门聚焦于基于图像的深度学习昆虫识别方法——而非一般检测技术的广泛概述——的综述尚未被探索。因此，近年来基于深度学习的图像分析、基准数据集和检测框架的最新发展在储藏产品领域尚未得到全面综述。相比之下，使用计算机视觉进行农田作物昆虫识别已被系统性地综述，文献中已有超过六篇综述研究（Abd El-Ghany等，2020；Azfar等，2018；Cardim Ferreira Lima等，2020；Lima等，2020；Liu和Wang，2021；Wang等，2025）。然而，农田作物系统中现有的综合分析并不直接适用于储藏产品领域。总体而言，储藏产品环境中的昆虫识别比其他物体检测问题更具挑战性，原因如下：（1）储藏产品昆虫通常是毫米级目标，像素占面积极小，且形态上往往相似，高度活动，且在复杂背景、可变光照以及密集或不均匀分布条件下出现。这些特征使基于图像的识别面临着与许多农田作物目标不同的挑战。（2）昆虫鉴定需要专业知识、技能或专用工具。（3）此外，维护昆虫种群需要大量资金、基础设施和培训，并且受到严格规程的限制，甚至阻止研究人员收集大型图像数据集——这一重大限制从根本上限制了数据集的规模和可用性，而数据集是深度学习模型的首要需求。

因此，本研究的主要目标是对基于深度学习的计算机视觉技术进行储藏产品昆虫图像识别的系统性文献综述。本研究记录了现有研究，确定了主要算法/模型，描述了成像技术，详细说明了数据集限制，讨论了验证协议，并指出了实际部署中的关键差距。本综述研究将作为精心策划的基础性资源，指导未来研究、标准化方法，并加速开发稳健、可扩展且具有成本效益的基于图像的昆虫识别系统，以服务于产后储存环境。本研究的主要贡献包括：（1）首次跨研究的基于图像的储藏产品昆虫识别综合分析，通过系统分析从数据采集和增强策略到昆虫物种覆盖、学习任务以及纳入研究的深度架构的完整研究管线。（2）综合了14项研究报告的模型改进策略，按架构和优化增强进行分类。（3）量化了可重复性和数据可访问性差距，揭示29项综述研究中仅有4项公开发布了数据集，突显了可重复性研究、公平基准测试和模型比较的主要障碍。

章节摘要

计算机视觉系统概述

使用基于深度学习的计算机视觉进行昆虫识别是一个多阶段过程，始于数据采集，经过图像处理、模型开发、评估，最终部署识别模型用于昆虫检测或分类。基于图像的识别系统中使用的通用管线如图2所示。首先，使用相机捕获图像数据。原始图像经过预处理任务以确保只有相关数据被用于模型

结果与讨论

共纳入29项研究进行系统性文献综述，这些研究来自六个国家，研究活动高度集中在两个国家：中国和美国，合计占29项研究中的25项（86.2%）。中国贡献了最大份额（17项研究，58.6%），其次是美国（8项研究，27.6%）。其余四项研究分别由不同国家贡献——波兰、澳大利亚、巴西和加拿大，各贡献一项研究（各占3.4%）。这

结论

本系统性文献综述考察了基于图像的计算机视觉方法在储藏产品昆虫识别中的发展和应用。按照PRISMA指南，系统性地识别、记录和批判性综合了29项研究，涵盖了完整的识别管线，包括图像采集与处理、数据标注与增强、模型开发与改进、性能评估、计算效率以及部署。尽管

CRediT作者贡献声明

Subhash Tadiparthi：撰写——初稿、方法论、调查、数据整理、概念化。Chetan M. Badgujar：撰写——审阅与编辑、监督、数据整理。Alison R. Gerken：资金获取、方法论、资源、监督、撰写——审阅与编辑。Deanna Scheff：资金获取、资源、验证、撰写——初稿。P.N. Guru：数据整理、形式分析、方法论、资源、监督、可视化、撰写——审阅与编辑。

利益冲突声明

作者声明不存在任何已知的竞争性财务利益或个人关系，这些关系可能影响本文所报告的工作。

致谢

本研究部分由美国农业部-NIFA资助，资助编号：2024-70006-42874。本出版物中提到商标名称或商业产品仅用于提供具体信息，并不代表美国农业部的推荐或认可。美国农业部是一个平等机会的雇主和服务提供者。

Subhash Tadiparthi | Chetan M. Badgujar | Alison R. Gerken | Deanna Scheff | P.N. Guru | Sathishkumar Samiappan