基于集成增强深度学习的葡萄象甲夜间监测技术助力可持续作物保护

为解决葡萄象甲(Otiorhynchus sulcatus)夜间监测难题，研究人员开发了轻量级集成增强深度学习框架，通过自适应数据增强策略克服光照变化、虫体遮挡等挑战，在实验室和半田间条件下实现99% mAP的识别精度，为IPM(有害生物综合治理)提供自动化监测新方案。

　　

葡萄象甲(Otiorhynchus sulcatus)是全球浆果和观赏作物的头号害虫，其幼虫在地下啃食根系，成虫夜间活动，传统监测依赖人工夜间巡查或间接痕迹判断，既低效又易错过防治窗口。随着各国农药减量政策的推行，生物防治手段如昆虫病原线虫(EPNs)的应用日益重要，但这类方法需要精准掌握害虫发生动态。现有监测工具如波纹纸板陷阱虽能捕获成虫，但人工计数耗时且无法实时预警，严重制约了有害生物综合治理(IPM)的实施效果。

大连市农业科学研究院的研究团队在《Smart Agricultural Technology》发表创新研究，首次将轻量级深度学习与集成增强技术相结合，开发出专为夜间甲虫监测设计的智能识别系统。研究人员改造商用诱捕器，加装树莓派相机和LED环形灯，每10分钟自动拍摄陷阱内昆虫活动，通过区域提取算法获得100×100像素的昆虫特写图像。针对数据集小、虫体重叠等难题，创新性地采用随机旋转(±30°)、缩放(0.8-1.2倍)、半幅裁剪等增强策略，构建出包含400张标注图像的数据集(78%训练集)。

关键技术包括：(1)比较五种轻量级网络(CNN、AlexNet、YOLOv5/v8/v11)性能；(2)设计集成增强框架模拟真实场景中的光照变化、虫体遮挡；(3)采用mAP和Recall评估模型在47张测试图像上的表现；(4)通过批量大小(16/32)优化训练稳定性。

【定量性能】YOLOv11在增强训练后达到最佳性能(mAP 0.994/Recall 0.987)，较基线提升0.002-0.003。增大批量使边界框定位更精准，如YOLOv8在batch32时误检率显著降低。

【定性检测】增强模型对重叠虫体(模拟田间聚集行为)的识别优势明显，能通过局部特征(如象鼻部形态)正确识别半遮挡个体，而传统方法常误判。对比结果显示，非增强的AlexNet对复杂场景识别率仅77.4%，且易将背景纹理误判为害虫。

研究结论指出，该技术首次实现夜间甲虫的自动化监测，其99%的识别精度媲美最佳鳞翅目害虫监测系统。连续图像记录可生成害虫活动时序曲线，帮助种植者精准把握EPNs施用窗口，避免预防性用药。经济分析表明，单台设备成本200-300美元，但可通过减少作物损失(高达100%)和人工巡查实现回报。未来将通过加入颚部特征验证模块、时序帧平滑处理等技术进一步提升实用性。这项突破为IPM提供了数字化决策工具，其轻量级架构(3W功耗)适合太阳能供电部署，对推动农业可持续发展具有重要意义。