【智慧农业之窗】联合空间深度转换卷积与多尺度注意力机制的灯诱稻飞虱害虫检测方法

图1　智能灯诱害虫监测设备

Fig. 1  Intelligent light-trapping pest monitoring equipment

图2　飞虱类害虫图像

Fig. 2  Image of planthopper pests

图3　灯诱稻飞虱害虫数据样例

Fig. 3  Sample data of light-trapping rice planthopper detection

图4　dataset_Planthopper标注框尺寸分布直方图

Fig. 4  The histogram of the size distribution of the dataset_Planthopper lable box

图5　改进的YOLOv11x模型结构

Fig. 5  Improved YOLOv11x model architecture

图6　EMA机制结构图

Fig. 6  EMA mechanism structural diagram

图7　C3k2-EMA模块结构图

Fig .7  The structure of the C3k2-EMA module

图8　SPD-Conv模块结构图

Fig. 8  The structure of the SPD-Conv module

图9　调整检测层后的模型特征融合结构图

Fig. 9  Feature fusion structure after adjusting the detection layer

图10　WIoUv3锚框与目标框的位置区域图

Fig. 10  The location area diagram of the anchor frame and target frame of WIoUv3

图11 灯诱稻飞虱害虫检测研究不同注意力机制对比热力图

Fig. 11  Specific heat maps of different attention mechanisms for the light-trapping rice planthopper detection research

图12 灯诱稻飞虱害虫检测研究CIoU vs WIoUv3的实际定位效果图

Fig. 12  The actual positioning effect drawing of CIoU vs WIoUv3 for the light-trapping rice planthopper detection research

图13 灯诱稻飞虱害虫研究检测模型改进前后检测效果对比图

Fig. 13  Comparison of detection results before and after model improved for the light-trapping rice planthopper detection research