影响因子12.4 | 人工智能在农业害虫识别中的研究进展

该综述论文主要解决以下问题：

1.系统梳理人工智能在害虫识别中的应用进展；

2.总结机器学习与深度学习在昆虫识别中的主要方法；

3.分析不同AI技术在害虫检测中的优势与局限；

4.探讨未来农业智能化害虫监测的发展方向；

AI如何模拟人类认知功能实现自动化害虫识别

人类通过眼睛获取外界图像信息，并由大脑进行复杂的信息处理与判断，从而完成对昆虫种类的识别。而在人工智能系统中，图像信息由摄像头或其它传感设备采集，再通过深度神经网络等算法模型对图像进行特征提取和模式识别，最终完成分类或检测任务。

图1.AI与人类学习机制对比

AI模型识别害虫的标准化流程

建立一套完整的AI害虫识别系统包含以下关键环节：

1.数据获取与构建：采集多样化图像(公开数据集、网络、实地拍摄)，确保覆盖不同环境。

2.图像标注与预处理：标注害虫边界框与类别，进行尺寸调整、归一化、数据增强及分割，提升模型鲁棒性。

3.数据集划分与模型训练：按80:10:10的比例划分训练/验证/测试集，利用精确率、召回率、mAP等指标评估性能。

4.模型选择与优化：依据场景选算法，从传统机器学习(SVM、KNN)到深度学习(CNN、YOLO、Transformer)等。

图2.AI害虫识别技术流程

AI模型在害虫识别中的发展历程

AI害虫识别技术经历了三代演进。第一代主要基于SVM、KNN等传统机器学习方法，但其泛化能力有限；第二代随着深度卷积神经网络(CNN)的兴起，如GoogleNet、VGGNet和Faster R-CNN，实现了端到端特征学习，精度显著提升；第三代则以YOLO系列(v2–v12)为代表，因在速度与精度之间取得平衡而成为主流，同时Transformer架构凭借全局注意力机制在复杂场景下展现出巨大潜力。这一发展历程反映了农业生产对模型效率与鲁棒性持续提升的需求。

图3.AI模型发展时间线

图4.传统模型和深度学习模型对比

AI模型的三大典型应用场景

在实际应用中，AI模型针对不同场景展现了各自的优势与挑战。在开放田间条件下，模型需应对光照变化、复杂背景及害虫姿态多样等挑战。改进的YOLO和Faster R-CNN虽能有效识别多种害虫，但泛化能力仍有限。

相比之下，粘性陷阱监测则需应对害虫个体微小、虫体重叠以及粘板反光等难题。研究表明，基于级联卷积神经网络或优化后的YOLO模型，已实现对蚜虫、粉虱等小型害虫的精准识别与计数，检测精度普遍达到85%以上。

最后，自动化诱捕器通过集成摄像头实时采集底板图像，并借助YOLOv5、ResNet等深度学习模型进行分析，为蛾类、果蝇等害虫的种群动态监测提供了高效自动化手段，部分研究的识别准确率已超过96%。

图5.自动化诱捕器识别流程

doi.org/10.1016/j.aiia.2025.06.005

● 农业+人工智能交叉领域的前沿交流阵地，这里不定期分享国内外农业领域前沿的研究资讯。

● 扫描下方二维码加入群聊，共创农业未来。