基于混合量子卷积与多样化分支块的害虫识别分类技术研究

为解决传统CNN算法在复杂害虫特征识别中的局限性，研究人员开发了融合量子卷积与多样化分支块(DBB)的YOLOv8-QCD模型。该研究构建了包含1086张图像的AmwayYCD数据集，在IP102基准测试中实现75.92%准确率（提升3.78%），推理速度达217 FPS，为农业害虫实时检测提供了量子深度学习新范式。

　　

深度学习(DL)在昆虫学研究领域展现出重要价值，尤其在害虫识别分类方面。针对害虫体型差异大、行为模式复杂的特点，传统基于卷积神经网络(CNN)的定位算法难以满足农业害虫管理需求。而量子系统可利用量子态空间的高维特性，高效编码处理复杂特征。

研究团队构建了包含6类1086张图像的AmwayYCD新数据集，并采用公开IP102数据集（102类75,222张图像）进行验证。提出的YOLOv8-QCD模型创新性地融合了混合量子卷积与多样化分支块(DBB)技术，通过量子空间金字塔池化快速模块(QSPPF)优化多尺度特征提取。实验显示该模型在AmwayYCD上达到98.72%准确率（较YOLOv8提升1.07%），参数量仅18.5M，计算量14.4 GFLOPS。消融实验证实量子卷积与DBB模块具有协同效应，贡献0.52%-2.85%准确率提升。统计显著性检验(p<0.05)显示其优于现有方法，在IP102上比LSMAE-Transformer准确率高1.23%。

这项突破性研究以217帧/秒的推理速度，展示了量子技术与深度学习融合在农业害虫实时检测中的巨大潜力，为昆虫学研究开辟了新方向。