《Discover Agriculture》：Revolutionizing pest detection in agriculture using artificial intelligence, Internet of Things, machine and deep learning approaches
编辑推荐：
昆虫侵染导致严重作物减产，并常常引发农药的过度使用。传统检测方法速度慢、劳动强度大且易受人为误差影响，从而限制了及时干预。人工智能（AI）与物联网（IoT）的最新进展已实现更快、更准确且自动化的害虫检测。卷积神经网络（CNN）、残差网络、VGG架构及轻量级Mo
昆虫侵染导致严重作物减产，并常常引发农药的过度使用。传统检测方法速度慢、劳动强度大且易受人为误差影响，从而限制了及时干预。人工智能（AI）与物联网（IoT）的最新进展已实现更快、更准确且自动化的害虫检测。卷积神经网络（CNN）、残差网络、VGG架构及轻量级MobileNet变体等深度学习模型，利用高分辨率作物与害虫图像，展现出强大的害虫识别性能。支持向量机（SVM）、随机森林（RF）和k近邻（k-NN）等经典机器学习技术在数据稀缺或计算资源有限时仍具有重要价值。基于物联网的监测平台通过集成分布式传感器、自动化成像系统和边缘处理硬件，增强了持续实时田间观测的能力。多光谱成像、无人机（UAV）数据采集和多模态传感器融合等新兴技术进一步提高了复杂户外环境下的检测精度。然而，数据集不平衡、光照变化、背景杂乱和环境噪声等挑战依然存在，阻碍了AI系统从受控实验室条件向真实农业场景的可靠迁移。本综述将AI技术、物联网架构与边缘智能策略整合于统一框架中，强调其综合潜力，并指出了面向稳健自动化害虫检测的未来发展方向。
1 引言
农业对全球粮食系统至关重要，但害虫侵染仍是作物生产力的主要威胁之一。据估计，昆虫害虫导致全球农作物产量损失高达40%，年经济损失超过2200亿美元。传统人工巡查方法劳动密集、主观性强，难以捕捉早期侵染迹象。AI、物联网（IoT）、无人机（UAV）及多光谱/热成像等技术的发展，为作物健康监测带来了变革性工具。本综述汇总了传统机器学习（ML）、深度学习（DL）、遥感、边缘计算和IoT监测系统的研究进展，并分析了数据集失衡、环境多变和泛化不足等实际部署挑战。与现有综述相比，本工作更全面地覆盖了可解释AI、边缘部署及IoT集成等新兴方向。
2 文献检索策略
本综述遵循PRISMA 2020指南，以Google Scholar为主检数据库，并从IEEE Xplore、ScienceDirect等数据库补充检索。检索式结合了害虫检测、机器学习/深度学习、UAV/遥感等关键词，时间截止2025年1月。经标题/摘要初筛和全文复筛，最终纳入165项研究。排除标准包括非农业领域、与害虫/病害无关的产量预测、缺乏技术细节及非同行评议文献。
3 传统昆虫侵染检测方法
传统方法包括人工田间巡查、性信息素诱捕器、卫星遥感、化学分析和粘虫板等采样工具。这些方法劳动强度大、主观性强、易受环境因素干扰，且空间分辨率低，难以检测早期或小型害虫，亟需自动化可扩展的检测框架。
4 AI驱动的害虫检测演进
早期AI检测依赖阈值分割、纹理描述和边缘检测等手工特征，在受控条件下有效，但受光照和背景变化影响。深度学习（DL）的引入实现了自动特征提取，显著提高了鲁棒性。IoT设备、无线传感器与云计算的发展支持实时数据采集与分析。多光谱/高光谱成像进一步增强了模型对早期胁迫的感知，并形成结合气候数据与种群预测的混合框架。
4.1 植物与害虫检测中的AI进展
CNN等DL架构在识别变色、变形和微小病变方面表现出色，甚至在某些受控条件下超越人类。无人机结合高分辨率多光谱、高光谱和热像，可大范围监测作物胁迫与害虫活动，通过深度神经网络处理，显著提高早期预警精度和热点定位能力，实现非破坏性、可重复的监测。
4.2 移动与田间应用
MobileNetV2、EfficientNet等轻量架构支持在智能手机、便携设备和边缘平台上实时推理。典型应用包括基于作物特定害虫数据集的移动应用、IoT诱捕监测系统以及集成高效卷积模型的边缘设备网络。这些平台在资源有限的农业区域提供即时诊断反馈，扩大AI监测的覆盖范围。
4.3 实时监测系统
实时监测是AI害虫监测的核心目标。自动化虫口计数、连续图像采集和实时数据传输使早期发现种群变化成为可能。CNN模型能在异质田间条件下识别多种害虫。结合天气变量的时间跟踪有助于了解季节性动态，传感器网络和云分析生成实时警报，减少被动干预。
4.4 与精准农业的整合
AI害虫检测与精准农业深度结合，融合了UAV图像、IoT传感器、环境站和机器视觉等多模态数据流，支持优化施药和定点干预。IoT连接诱捕器提供连续种群评估，云分析结合环境与历史数据预测爆发风险，推动从全田施药向数据驱动的位点特异性管理转变。
5 基于IoT的害虫检测系统架构
IoT害虫检测系统采用多层架构：感知层（高清相机、诱捕器成像、环境传感器、多光谱模块）采集原始数据；微控制器单元进行预处理。通信层通过LoRaWAN、NB-IoT、ZigBee、Wi-Fi及MQTT等协议传输数据；边缘计算层使用NVIDIA Jetson和Raspberry Pi执行轻量级DL模型，实现近实时检测而不过度依赖云。云服务器支持长期存储、模型训练和种群预测；用户界面通过移动应用和仪表盘提供可行建议。
6 用于昆虫侵染检测的AI方法
害虫检测侧重识别害虫种类，侵染检测进一步评估为害严重度、种群密度和空间分布。本综述将AI方法分为传统ML和DL两大类。
6.1 传统机器学习方法
传统ML依靠手工特征（颜色、边缘、纹理、形状）和统计算法，如SVM、随机森林、k-NN、决策树、梯度提升和混合模型。
6.1.1 支持向量机（SVM）
SVM在高维特征空间中寻找最优超平面，结合LBP、HOG和SIFT特征取得良好效果。如Bag-of-Words SIFT模型对害虫分类准确率达97.5%；移动应用结合HSV颜色变换和Canny边缘检测实现田间实时识别。
6.1.2 随机森林与集成学习
随机森林对噪声稳健，通过集成多棵决策树提升性能。结合YOLOv4、MRES-UNet++和SIFT的流程对草地贪夜蛾幼虫龄期识别准确率超过92%。RF还用于水稻叶片受害程度量化。
6.1.3 k近邻（k-NN）
k-NN在多种作物监测中表现良好。玉米水分胁迫分类结合CNN与SVM/k-NN达到88.41%准确率；可可荚果评估中HSV特征k-NN交叉验证准确率达99.33%。
6.1.4 决策树
决策树用于预测棉花枯萎病和炭疽病，基于土壤湿度、温度等指标准确率约92%。IoT系统将决策树与DL结合以提升大规模农场检测精度。
6.1.5 梯度提升方法
GBM、XGBoost等模型在害虫预测和作物病害预测中准确率最高达97%。XGBoost在光谱分类和遥感任务中优于RF和LSTM。
6.1.6 其他ML方法
朴素贝叶斯用于作物适宜性和病害预测，准确率在72.78%~97%之间。VGG16、VGG19与ResNet50结合遗传算法优化的集成模型准确率达98.81%；ANN、k-NN、RF和SVR的动态集成提高了二化螟预测性能。
6.2 深度学习方法
DL架构可以直接从原始图像中学习分层特征，代表模型包括CNN、轻量级架构（MobileNetV2、EfficientNet）和检测框架（YOLO、SSD、Faster R-CNN）。
6.2.1 基于CNN的分类模型
CNN由卷积层、池化层和全连接层组成，用于提取空间特征并进行分类。
AlexNet：早期用于害虫分类，改进后准确率达96.27%，结合5G高清成像可提升识别性能。
VGG-16：IoT害虫识别系统（CPRS）用VGG-16达到88.72%准确率；改进的VGG-16/VGG-19对蔬菜害虫分类准确率高达99.99%。
ResNet：ResNet-50在多个基准数据集达到99.40%准确率，引入自注意力机制后ResNet50-SA达到99.80%。
MobileNet：MobileNetV2结合深度注意力在9类害虫上达到96.89%准确率；Android部署的密度分类模型达92.59%；PestNet达到87.62%准确率且计算复杂度低。
EfficientNet：EfficientNetV2-L在12种害虫数据集上表现良好；桃园检测准确率96.6%，敏感性90%；树莓派实时实现准确率93.5%。
6.2.2 目标检测模型
R-CNN系列和SSD为实时检测奠定基础。YOLO架构因高速高精度被广泛使用。YOLOv4在粮库害虫检测中mAP达97.55%；Insect-YOLO结合CBAM注意力mAP为93.8%；YOLOv5对大豆害虫mAP最高99.5%；PestLite基于YOLOv5实现mAP50 90.7%并减少参数。
6.2.3 序列深度学习模型
LSTM网络适合建模依赖气候变量的时序害虫动态。双向LSTM对棉花害虫预测AUC达0.9545，准确率87.84%；IoT-LSTM对荔枝蝽检测准确率85%；ARIMA-LSTM混合模型用于甘蔗害虫预测；LSTM棉花害虫模型AUC达0.97。
7 比较分析
CNN学习图像模式的能力使其在害虫检测中优于传统方法。本综述不同于以往仅报告性能，而是明确进行模型与数据集的批判性差距分析，关注田间泛化、边缘部署、数据集偏差和实时扩展性。现有综述多孤立讨论DL分类或IoT监测，本综述通过统一框架综合ML、DL和混合方法，并评价数据集特征、错误分类源、可扩展性和部署可行性。
7.1 实验室与田间性能：真实世界验证挑战
多数模型在实验室数据集上准确率高，但田间性能下降。光照变化、阴影、湿度、叶片方向、害虫运动和背景杂乱导致域偏移。类别不平衡和罕见害虫也使模型失效。实际部署还需硬件集成、电源供应和环境噪声抵抗能力，因此需要现场验证和域适应技术。
7.2 数据集多样性、偏差与可用性差距
现有基准数据集（如IP102和PlantVillage）多为受控条件下的单叶图像，地理覆盖窄，类别不平衡严重。少数优势害虫类别主导训练，重要但罕见的类别被低估，导致模型对少数类检测差。多模态数据（如高光谱、诱捕器图像、UAV观测）的缺乏进一步限制泛化。注释不一致和图像质量差异也降低模型可靠性。
8 当前应用与实施
AI已嵌入监测、自动干预和预测分析三大领域。监测系统利用多光谱/高光谱成像进行连续非破坏性评估；自动干预系统通过决策算法触发变量施药和定点灌溉；预测模型整合历史模式、环境数据和作物物候以预测产量、病害爆发和最佳干预窗口。深度学习分类性能在优化条件下达85%~98.2%。UAV框架结合NPK和pH传感器用于难以到达地区的土壤评估；颜色恒定算法改善光照归一化；可解释AI用于农业化学品风险评价。
9 AI检测系统的优势
AI系统可进行症状前检测，识别肉眼不可见的微弱异常，从而延长干预窗口、降低治疗成本并减少产量损失。与自主干预技术集成有望减少50%~70%农药使用。优势还包括：高准确率和自动化、可扩展到大田、实时决策支持、非破坏性连续监测、与IoT整合以及跨作物和害虫种类的适应性。
10 AI害虫检测与监测中的挑战
害虫仍造成20%~40%的产量损失。行为隐蔽的害虫和低龄幼虫难以被视觉系统识别，需要多模态感知。现有模型分类对象狭窄，缺乏对广泛害虫的覆盖。环境变化导致实验室到田间性能下降。高质量标注数据集稀缺，且数据分散、标注不一致。类别不平衡使模型偏向常见病害。实时处理与资源受限设备之间存在矛盾。经济性、技术素养和基础设施兼容性也影响实际应用。
11 未来机遇与开放研究方向
多模态数据融合（RGB、热像、高光谱、信息素和气象）有望构建更全面的模型。边缘计算与轻量架构降低延迟。自监督学习、少样本学习和生成式数据增强可缓解数据稀缺。开放问题包括：缺乏大而多样的标注数据集、域偏移、小目标检测困难、硬件和网络限制、缺乏标准化评价框架，以及需要可解释和不确定性感知模型。
12 害虫检测系统中的可解释与伦理AI
可解释AI（XAI）方法如SHAP、LIME和Grad-CAM能可视化模型预测依据，增强农民信任并辅助模型调试。伦理方面涉及数据隐私、安全存储、图像所有权和公平性。在AI-IoT系统中嵌入可解释和伦理原则可确保系统透明、可靠和安全。
13 结论
AI、IoT和DL的融合克服了传统方法的局限，CNN、SVM、MobileNetV2和YOLO等模型实现了快速、规模化、高精度识别。IoT集成强化了实时监测和预警。仍需解决高质量数据集不足、田间泛化差、早期/隐蔽害虫检测难等问题。未来应发展多模态、多任务和自主系统，并借助联邦学习提升隐私和扩展性。
13.1 关键发现总结
AI系统在准确性、可扩展性和响应时间上优于传统监测。CNN和轻量DL模型最适合实时田间监测。IoT平台支持连续感知和预警。边缘计算降低延迟并适合低连接环境。数据集限制、环境变化和类别不平衡仍是泛化主要障碍。多模态感知和混合AI-IoT系统显示出实际部署潜力。
