基于CNN与Transformer的实例分割架构在柑橘绵粉虱检测中的比较评估

《Plants》:Comparative Evaluation of CNN and Transformer-Based Instance Segmentation Architectures for Whitefly Detection in Citrus Crops

【字体: 大 中 小 】 时间:2026年09月20日 来源:Plants 4.1

编辑推荐:

  本研究聚焦于利用计算机视觉(computer vision, CV)技术和基于卷积神经网络(convolutional neural network, CNN)的图像检测技术检测柑橘类作物中的害虫。早期检测能够实现害虫防治、减少农药使用,并生成用于周边区域巡查

  
本研究聚焦于利用计算机视觉(computer vision, CV)技术和基于卷积神经网络(convolutional neural network, CNN)的图像检测技术检测柑橘类作物中的害虫。早期检测能够实现害虫防治、减少农药使用,并生成用于周边区域巡查的警报。所使用的模型之一是YOLO(You Only Look Once),它基于单阶段CNN。该模型速度快、资源效率高且延迟低,可在个人计算机上运行。另一类神经网络基于视觉Transformer(vision transformer),这一范式比YOLO需要更多硬件资源,但提供更高精度。因此,研究人员在CNN模型之间进行比较,以评估其精度并证明,与基于视觉Transformer且更耗资源的模型相比,YOLO是一种优秀选择。通过田间图像采集,将表明YOLO与那些对硬件要求更高的模型之间的精度差异很小。研究还揭示,所有被评估模型在检测小目标方面均存在困难,表明有必要通过软件技术或硬件改进(例如无人机镜头的光学配置)来改善这一问题。可使用广角镜头进行初步检测,并使用另一支变焦倍数更高的镜头进行确认和小型昆虫检测,从而在计算资源有限的环境中促进该技术的采用。
**研究背景与问题**
柑橘绵粉虱(*Aleurothrixus floccosus*)是危害柑橘的重要害虫,若虫被白色蜡质分泌物覆盖,成虫外观呈绵絮状,常栖息于叶背吸食汁液,导致树势减弱、落叶和腐生真菌增殖风险增加。生产中大量使用杀虫剂推高经济成本并引发环境问题。人工目视检查在大面积或难以到达的种植区不切实际。计算机视觉结合无人机为精准农业提供了替代方案;已有研究用YOLO v10s在个人计算机上处理无人机视频实现检测,但边界框检测不足以满足个体计数、叶面覆盖比例估计和高质量预标注等像素级任务。当前文献缺乏在同一数据集、同一评估协议下对单阶段CNN、两阶段CNN和视觉Transformer三类实例分割架构进行受控比较的工作,也缺少对柑橘叶面害虫的实例分割研究。因此,研究人员对YOLO11s-seg、YOLO26s-seg、Mask R-CNN和RF-DETR-Seg(Medium)四种模型进行比较,检验低资源模型与高资源模型之间精度差距是否显著,为实际部署提供依据。

**研究内容与总体结论**
研究人员在田间采集633幅自然感染柑橘绵粉虱的叶片高分辨率图像,使用CVAT进行多边形掩膜标注,类别为whitebug,划分为训练481幅、验证91幅、测试61幅,测试集含495个实例。四种模型在相同条件下训练,统一输入分辨率672×672、有效批量16、bfloat16混合精度,并使用
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号