2026年第9期论文已上线，点击关注不迷路！
《农业工程学报》2026年第42卷第5期刊载了山东农业大学等单位孟宪勇、王慧、李文勇、李汶政、杨信廷、柳平增、刘凯歌的论文——“基于改进YOLOv11n与图像切片推理融合的粘虫板害虫检测”。该研究由国家重点研发计划项目 2024YFD2001101、北京市自然科学基金资助项目 59637050等资助。
引文信息：孟宪勇，王慧，李文勇，等. 基于改进YOLOv11n与图像切片推理融合的粘虫板害虫检测[J]. 农业工程学报，2026， 42(5)：246-256.
DOI: 10.11975/j.issn.1002-6819.202506243
研究目的与方法：
为提升温室环境中粘虫板上蓟马、粉虱等小目标高密度害虫的检测精度，并满足模型轻量化的应用需求，该研究提出一种融合切片辅助超推理（slicing aided hyper inference, SAHI）与YOLOv11n-LMN模型的害虫检测方法。首先，采用轻量级CPU卷积神经网络（lightweight CPU convolutional neural network，PP-LCNet）替代原主干网络，减少模型参数量与计算开销。然后，引入多尺度相似性注意力模块（multi-scale similarity-aware module，MulSimAM），实现不同尺度信息的加权融合，增强害虫特征表征能力。其次，引入归一化Wasserstein距离（normalized wasserstein distance， NWD）优化损失函数，提高小目标的像素定位精度与模型鲁棒性。最后，采用SAHI图像切片推理技术，将高分辨率的粘虫板图像切割为与检测模型匹配的切片，从而提高识别和定位精度，避免直接下采样引起的小目标细节损失。
结果与结论：
结果表明，改进模型的精确率、召回率和平均精度均值（mean average precision，mAP）较原模型分别提升了4.3、4.8和3.9个 百分点，模型大小缩减至4.7 MB。为进一步验证模型性能，对引入SAHI技术前后在整张粘虫板图像中的检测效果进行对比。引入SAHI技术前，YOLOv11n原模型的mAP为49.2%；经过SAHI处理并结合改进模块后，YOLOv11n LMN+SAHI模型的平均精度均值较引入前提升了40.4个百分点；在Yellow Sticky Traps数据集上，mAP提升至93.3%，较基线模型高出2个百分点。此外，将改进前后模型部署到树莓派上进行测试，结果可知，改进模型检测效果相比原模型有明显提升，单幅粘虫板图像检测时间为9.6 s，表明改进模型具有较好的应用价值。研究结果可为害虫识别及边缘移动设备监测提供技术支持。
本文由丨《农业工程学报》编辑部丨精编发布
欢迎留言、分享、点赞
转载、投稿、咨询
邮箱：tcsae@tcsae.org
发布征集
欢迎广大作者、读者投稿至我刊公众号，包括但不限于创新科研成果、科技写作技巧、书籍推介、优秀科技工作者介绍、科研团队招聘/招生、行业资讯以及相关活动等农业工程领域信息。
公众号文章投稿邮箱：abe-newmedia@tcsae.org
转载请注明来源、原标题与原文链接：本文转自“农业工程学报（ID：tcsae1985）”微信公众号，原标题：xxxxxx；原文链接：xxxxxxxx。
公众号内回复【关键词】查询/获取更多信息
公众号内回复【2026年征稿】获取本刊2026年度重点专题、优选专题征稿启事
公众号内回复【2025学术年会】回放中国农业工程学会第十届学术年会（CSAE 2025）
公众号内回复【2025审稿人】查看2025年度杰出、优秀审稿人评选结果
收看更多会议讲座回放欢迎关注“农业工程学报视频号”
点击下方“阅读原文”免费获取全文
