通过改进的轻量化、高效害虫检测模型，并将其部署在移动设备上，来防止外来宠物甲虫的入侵

《Pest Management Science》：Preventing exotic pet beetle invasion with an improved lightweight and efficient pest detection model deployed on mobile devices

非法走私异宠甲虫威胁生态安全，海关查验依赖专家和实验室分析效率低。本研究提出EPB-YOLO-PD模型，集成FAMNet、MELON、C4PMS等创新模块和改进检测头及Slide Loss损失函数，实现1.35MB模型、2.2GFLOPs计算量，检测准确率93.3%-99.3%，移动端25FPS实时运行。

　　

摘要

背景

非法走私外来宠物甲虫对全球生态系统构成了日益严重的威胁。海关当局在防止生物入侵方面发挥着关键作用，然而目前的识别方法严重依赖于专家知识以及耗时的实验室分析，这限制了在入境口岸的快速响应。为了解决这一问题，我们提出了EPB-YOLO-PD，这是一种轻量级、可移动部署的检测模型，用于实时识别外来宠物甲虫。源代码可在https://github.com/bihaojie/EPB-YOLO-PD获取。

结果

EPB-YOLO-PD结合了三个原创设计的组件——特征聚合与混合网络（FAMNet）、多尺度高效轻量级优化网络（MELON）和部分多头自注意力残差块（C4PMS）——以及一个改进的检测头（CAHead）和一个新引入的损失函数（Slide Loss）。通过结构剪枝和知识蒸馏来减小模型规模并提高推理速度。在针对13种被截获物种的定制数据集上进行测试时，该模型的检测准确率达到了93.3%至99.3%。与YOLOv11n基线相比，EPB-YOLO-PD的mAP0.5提高了2.0%（达到97.3%），模型规模减少了74.04%（降至1.35 MB），计算复杂度降低了65.08%（降至2.2 GFLOPs）。基于该模型的PetBeetle Finder应用程序在华为Mate 40智能手机上运行时，帧率可超过25帧/秒（FPS）。

结论

EPB-YOLO-PD为海关检查点实时检测外来宠物甲虫提供了一种有效的解决方案。它能够实现快速准确的分类，有效处理诸如形态特征不完整和背景视觉上易混淆等具有挑战性的情况，并为拦截其他入侵物种提供了一个可复制的框架。? 2025 化学工业协会。

利益冲突

作者声明他们没有可能影响本文所述工作的竞争性财务利益或个人关系。