《Agriculture》：Silkworm-Smart: An AI-Powered Platform for Instance Segmentation and Precision Management in Large-Scale Factory-Based Silkworm Rearing
编辑推荐：
在大型工厂化环境中使用人工饲料进行家蚕（Bombyx mori）自动化饲养，是中国蚕桑产业现代化进程中的关键一步。及时、准确地监测家蚕生长与摄食状况，对于优化工厂化养殖管理至关重要。本研究提出了Silkworm-Smart，一个融合机器视觉与深度学习的集成智能
在大型工厂化环境中使用人工饲料进行家蚕（Bombyx mori）自动化饲养，是中国蚕桑产业现代化进程中的关键一步。及时、准确地监测家蚕生长与摄食状况，对于优化工厂化养殖管理至关重要。本研究提出了Silkworm-Smart，一个融合机器视觉与深度学习的集成智能平台，用于实现家蚕养殖的自动化监测。该平台的核心是Silkworm-AI，一种专门用于检测和分割家蚕及残余人工饲料的实例分割模型。Silkworm-AI基于YOLOv8s-seg框架开发，并集成了三个增强模块——大选择性核网络（Large Selective Kernel Network，LSKNet）、全局到局部空间聚合（Global-to-Local Spatial Aggregation，GLSA）和上下文引导下采样（Context-Guided Downsampling，CGD）——以提升特征提取和分割精度。Silkworm-AI取得了优异性能，家蚕检测和分割的mAP@0.5分别达到0.971和0.967，残余饲料检测和分割的mAP@0.5分别为0.787和0.798，优于七种最先进的深度学习模型。基于模型输出，该平台自动提取并可视化关键饲养指标，如家蚕数量、平均体型、整齐度、体型增量、存活率和残余饲料面积。此外，研究人员开发了一种基于机器学习的回归模型，利用这些图像衍生指标预测蚕茧产量，在4龄和5龄分别取得0.713和0.835的R2值。Silkworm-Smart平台为饲养管理、饲料调整和生产规划提供了数据驱动的决策支持，并在推动智能化工厂化蚕桑产业的自动化、精准控制和可持续发展方面具有重要前景。
**论文解读：Silkworm-Smart平台在工厂化家蚕养殖中的智能监测与产量预测**
**一、研究背景与问题**
蚕桑业是中国传统优势农业产业，占全球蚕丝总产量的70%以上。然而，近年来受农村产业结构变化、劳动力转移和经济效益下降等因素影响，传统蚕桑业持续萎缩，蚕丝产量已无法满足日益增长的市场需求。传统养蚕依赖桑叶饲养，不仅需要专业技术与精细管理，还受气候条件制约，难以实现大规模集约化生产。自20世纪80年代以来，研究人员探索使用人工饲料养蚕，但受技术复杂性限制，直到近年中国才率先建成利用人工饲料和现代工业技术的工厂化养蚕系统。工厂化养蚕采用可控环境、自动化饲喂和传送线作业，可实现高密度、全年连续生产，但该模式仍处于起步阶段，面临精准投料、疾病防控、饲养密度管理及蚕茧产量预测等挑战。获取家蚕数量、生长整齐度和残余饲料量等准确信息，是实现精准管理和降低成本的关键。因此，亟需开发能够自动、实时监测家蚕生长和饲料状况的智能化系统。尽管已有研究将深度学习应用于桑叶饲养环境下的家蚕识别，但在大规模工厂化养蚕场景中，人工智能与机器视觉的应用仍十分有限。作者此前应用改进的Mask R-CNN模型取得了一定效果，但仍有提升空间。在此背景下，本研究开发了融合机器视觉与深度学习的Silkworm-Smart平台，以实现工厂化养蚕的自动化监测和精准管理。
**二、研究内容与结论**
研究人员开发了Silkworm-Smart集成智能平台，其核心是Silkworm-AI实例分割模型。该模型基于YOLOv8s-seg框架，集成了LSKNet、GLSA和CGD三个增强模块，用于同时检测和分割家蚕及残余人工饲料。实验于2024年在中国浙江嵊州陌桑高科股份有限公司（29°35′ N，120°51′ E）的工厂化养蚕基地进行，蚕品种为Z2016×R2016，专用人工饲料饲养。图像采集系统架设在传送线上方1.5米处，使用FLIR Blackfly S USB3工业相机（5472×3648像素）和CHIOPT FA3516A镜头，结合NVIDIA Jetson AGX Xavier开发板实现自动触发拍照。研究设置了三种饲养密度（减少、标准、增加，分别称A、B、C组），采集4龄和5龄图像用于模型训练和验证。Silkworm-AI在测试集上取得优异性能：家蚕检测和分割mAP@0.5分别为0.971和0.967，残余饲料检测和分割分别为0.787和0.798；平均检测mAP@0.5为0.879，分割为0.883。模型参数量为30.5 MB，桌面工作站推理速度39.2 f/s，经TensorRT FP16优化后在Jetson AGX Xavier上达到13.6 f/s，满足传送线实时监测需求。与Mask R-CNN、SOLOv2、YOLACT、YOLOv5s-seg、YOLOv8s-seg（基线）、YOLOv9c-seg和YOLOv11s-seg七种先进模型相比，Silkworm-AI在检测和分割精度上均全面领先。模型输出的家蚕数量、体型面积和残余饲料面积与人工标注高度一致（R2分别为0.979、0.983和0.903），验证了定量提取的可靠性。研究还利用模型输出的指标开发了基于机器学习的蚕茧产量预测模型，采用分组K折交叉验证防止数据泄漏，优化后的随机森林模型在4龄和5龄分别取得R2为0.708和0.821的预测精度。平台采用B/S架构，部署在Ubuntu 22.04 LTS服务器上，支持实时图像显示、指标可视化和数据检索导出，实现了工厂化养蚕全流程的数据驱动管理。
**三、关键技术方法**
研究人员采用的主要技术方法包括：（1）基于Canny边缘检测和Hough变换的自动图像采集系统，实现传送线上托盘完整进入视野时自动触发拍照；（2）利用ISAT-SAM半自动交互标注工具进行高效高精度实例分割标注；（3）基于YOLOv8s-seg架构改进的Silkworm-AI模型，引入LSKNet大核选择网络、GLSA全局-局部空间聚合和CGD上下文引导下采样模块；（4）采用图像分块（640×640像素，10%重叠）和非极大值抑制（NMS）处理高分辨率图像；（5）应用多种数据增强策略（旋转、亮度调整、噪声添加）增强模型泛化能力；（6）使用决策树、XGBoost、支持向量机和随机森林四种监督学习算法进行产量预测，采用分组K折交叉验证和GridSearchCV超参数调优。
**四、研究结果**
**3.1 Silkworm-AI模型性能与消融实验**：通过消融实验验证了LSKNet、GLSA和CGD三个模块各自对模型性能的贡献，三者组合使家蚕检测mAP@0.5提高1.5%、分割提高1.8%，残余饲料检测和分割分别提高4.4%和4.7%，证实了架构改进的有效性。
**3.2 与其他模型比较**：与七种最先进深度学习模型的对比表明，Silkworm-AI在家蚕检测mAP@0.5上高出1.5%~20.1%，分割上高出1.6%~31.2%；在残余饲料检测和分割上分别高出3.9%~14.8%和4.5%~21.0%，展现出精度与效率的良好平衡。
**3.3 与人工标注的比较**：模型预测的家蚕数量、体型面积和残余饲料面积与人工标注高度相关。家蚕数量R2=0.979、RMSE=1.412、rRMSE=2.13%；体型面积R2=0.983、RMSE=9.379、rRMSE=4.26%；残余饲料面积R2=0.903、rRMSE=23.34%。模型还能有效区分活体家蚕与蜕皮等相似物。
**3.4 家蚕生长与残余饲料评估**：基于九个饲养批次的分析显示，5龄家蚕数量较4龄减少而平均体型显著增大，符合正常发育规律。三种密度下家蚕体型无显著差异。4龄整齐度略高于5龄，两个龄期间的整齐度相关性R2仅为0.528，表明随着成熟个体间差异增大。残余饲料在4龄略高，可能与摄食量减少或投喂过量有关。
**3.5 Silkworm-Smart平台与产量预测**：平台部署后实现实时图像采集、自动分析、结果可视化和数据检索功能。界面中央显示实时托盘图像及最近五张图像的蚕数、体型（cm2）、整齐度、残余饲料面积（cm2）、存活率和预测产量（Kg）。基于9个批次的批次级交叉验证中，随机森林模型表现最佳，4龄R2=0.708、5龄R2=0.821，证明图像衍生指标可用于早期产量预测。
**五、讨论与结论**
讨论部分指出，Silkworm-AI在不同龄期和密度下均保持稳定性能。针对重叠家蚕的专门测试中，模型漏检率为6.33%（41/648），低于基线YOLOv8s-seg的8.02%、YOLOv11s-seg的7.72%和YOLOv9c-seg的7.25%，表明LSKNet和GLSA有助于区分相邻边界、减少高密度场景下的漏检。残余饲料分割精度较低与其不规则形状、模糊纹理和标注误差有关。平台具有可扩展性，未来可集成环境传感器实现闭环调控，并可推广至其他昆虫养殖。研究局限性包括单一场址数据（全国首家也是最大的工厂化养蚕企业）、离散时间点拍摄可能遗漏突发性事件、以及无法反映家蚕内部生理状态。未来工作将扩展训练数据多样性、开展多中心验证、改进饲料分割精度，并探索高光谱或热成像等多模态传感技术。
研究结论：Silkworm-AI模型在家蚕和残余饲料的检测与分割中表现出色，平均检测mAP@0.5为0.879、分割为0.883，其中家蚕目标检测mAP@0.5达0.971、分割达0.967。系统能够自动量化家蚕数量、体型、整齐度、体型增量、存活率和残余饲料等关键饲养指标，基于图像特征的机器学习模型有效预测蚕茧产量，支持早期产量预报。Silkworm-Smart作为首个大规模工厂化养蚕人工智能监测平台，为蚕桑产业提供了可扩展、实用且低成本的数字化解决方案，通过数据驱动的饲养管理、投料策略和生产规划，提高了运营效率、减少了劳动力需求，并促进了可持续实践，为精准农业技术在现代蚕桑产业中的应用奠定了重要基础。
