农业工程学报

作者：孟宪勇,王慧,李文勇,李汶政,杨信廷,柳平增,刘凯歌,

关键词：YOLOv11n, 粘虫板害虫, 检测识别, 切片推理

基金：42

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。/

来源：2026年第5期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第5期