番茄田间小目标害虫检测的改进YOLO网络：基于SPD-Conv与CBAM的智能识别系统

【编辑推荐】本研究针对番茄害虫检测中目标小、特征弱等难题，创新性融合空间并行深度卷积（SPD-Conv）、幽灵模块（Ghost）、卷积注意力机制（CBAM）和邻域擦除模块（AEM），构建S-YOLOv5m模型。实验表明，该模型较原YOLOv5m的mAP提升4.73%，参数量减少31%，单图推理速度加快1.3ms，为农业害虫智能监测提供关键技术支撑。

　　

亮点
农业害虫对作物生产的重大威胁使得精准识别成为虫害预警的核心挑战。在复杂自然背景下，微小害虫与环境的视觉相似性导致传统检测模型性能受限。本研究通过多模块协同创新，实现了番茄田间"小目标强干扰"场景下的突破性检测效果。

消融实验性能对比
SPD-Conv模块显著缓解了小目标特征在前向传播中的信息损失，使S-YOLOv5m的mAP较基线79.61%提升2.18%。尽管模型参数量从20.88M增至24.36M，但结合Ghost模块的轻量化设计后，最终模型反将参数量压缩31%，展现"增效减负"的双重优势。

讨论
现有研究多聚焦于简单背景下的害虫识别，而实际农田场景中，微小害虫在复杂背景下的特征混淆问题长期未被有效解决。S-YOLOv5m通过空间并行卷积（SPD）增强小目标感受野，配合CBAM注意力机制实现特征精准聚焦，其可视化结果显示出对害虫区域更强烈的激活响应。

结论
S-YOLOv5m通过SPD-Conv、Ghost、CBAM和AEM模块的有机整合，成功突破番茄害虫检测中的"小目标特征提取瓶颈"。模型在保持实时性的同时，mAP提升至84.34%，为农业物联网终端部署提供了高精度、低延迟的解决方案。

作者贡献声明
唐银、罗凡负责研究设计与数据分析；吴鹏新参与算法优化；谭佳佳等完成模型验证；王丽红（通讯作者）统筹资源与论文修订。所有作者均对终稿达成共识。

利益冲突声明
作者声明无任何可能影响本研究公正性的财务或个人关系。

致谢
感谢国家自然科学基金（32201651、32001425）及重庆市自然科学基金（cstc2020jcyj-msxmX0459）对本研究的资助。