吉林农业大学植物保护学院陈日曌团队与信息技术学院于合龙团队发表研究成果:基于YOLO11的禾谷缢管蚜自动检测与计数

近日，吉林农业大学植物保护学院陈日曌团队与信息技术学院于合龙团队发表研究成果，博士研究生秦伟博为文章第一作者。题为“YOLO11-based deep learning and machine vision framework for automated detection and counting of Rhopalosiphum padi (Hemiptera: Aphididae)”文章发表在《Journal of Economic Entomology》。本研究围绕禾谷缢管蚜自动检测与计数难题，构建了基于YOLO11的深度学习与机器视觉框架 R.padi Count。该模型实现了对复杂背景下小目标蚜虫的高精度识别与计数，为农业害虫智能监测提供了新方法。

研究背景

禾谷缢管蚜是玉米等禾本科作物上的重要害虫，不仅取食危害严重，还可传播多种植物病毒，给粮食安全带来潜在威胁。长期以来，其田间监测主要依赖人工调查和经验判断，存在效率低、耗时长、误差大的问题，难以适应现代农业精准监测与智能防控需求。随着人工智能技术的发展，深度学习和机器视觉为农业害虫智能识别提供了新路径。然而，蚜虫个体微小、聚集性强，且易受复杂背景和自然光照干扰，自动检测与计数仍面临较大挑战。针对这一问题，开展相关研究对于提升害虫监测智能化水平、服务农业绿色高效防控具有重要意义。

试验方法

研究团队以智能温室内玉米植株上的禾谷缢管蚜为研究对象，在自然光条件下采集虫体图像，并对图像中的蚜虫目标进行人工标注，建立了专用数据集。在此基础上，团队以YOLO11n为基础模型，结合ADown自适应下采样模块、Triplet Attention注意力机制和特征融合结构，对模型进行了针对性优化，构建了适用于小目标蚜虫识别与计数的检测框架。研究人员通过多组对比试验和消融试验，对模型在复杂背景条件下的检测精度、计数误差和整体稳定性进行了系统评估，验证了该方法在农业害虫智能监测中的应用效果。

核心结果

研究结果表明，团队构建的R.padi Count模型在禾谷缢管蚜自动检测与计数任务中表现优异。与多种轻量化YOLO基线模型相比，该模型在复杂背景和自然光条件下对小目标蚜虫的识别能力更强，检测精度和计数准确性均实现了明显提升。其中，模型mAP50达到 92.97%，图像级计数的MAE和RMSE分别为1.86和3.50，显示出较高的稳定性和可靠性。研究表明，通过引入自适应下采样、注意力机制和特征融合模块，可有效提升密集分布蚜虫目标的检测效果。该成果为农业害虫智能监测和精准防控提供了新的技术手段，也为相关模型在实际生产场景中的推广应用奠定了基础。

研究结论

本研究构建了基于YOLO11的禾谷缢管蚜自动检测与计数模型R.padi Count，实现了复杂背景条件下小目标蚜虫的高精度识别与计数。研究表明，通过引入自适应下采样、注意力机制和特征融合结构，模型对密集分布蚜虫目标的特征提取与表达能力得到明显增强，整体性能优于多种轻量化基线模型。该成果验证了深度学习与机器视觉技术在农业害虫智能监测中的应用潜力，可为害虫快速识别、发生量评估和精准防控决策提供技术支撑。相关研究也为后续面向田间复杂环境的模型优化与智能装备开发奠定了基础，对推动农业监测向数字化、智能化方向发展具有积极意义。

原文链接：

https://academic.oup.com/jee/advance-article-abstract/doi/10.1093/jee/toag048/8526584?redirectedFrom=fulltext