《Smart Agricultural Technology》：A lightweight detection model for fruit flies based on KSGM-OMN
編輯推薦：
本研究針對農業領域中傳統果蠅檢測方法依賴農藥、效率低下且污染環境的問題，提出了一種基于KSGM-OMN的輕量級深度學習檢測模型。該研究通過創新的對象映射網絡和自適應門控AGT推理機制，在保持較低參數量的同時，顯著提升了檢測速度與精度，為實時、精準的農業病蟲害智能監測提供了高效解決方案，具有重要的應用價值。
在農業生產的廣闊天地中，果蠅等微小害蟲正悄然成為蔬果產業的“隱形殺手”。這些害蟲通過幼蟲蛀食果實，導致腐爛，嚴重影響農作物的產量與品質，給農戶帶來巨大的經濟損失。例如，僅在廣東省，由桔小實蠅和瓜實蠅造成的經濟損失就高達數十億元。更為棘手的是，傳統防治方法過度依賴化學農藥，這不僅造成了生態環境污染，也給食品安全埋下了隱患。在此背景下，發展準確、高效的害蟲智能監測技術，成為了現代農業研究和實踐的迫切需求。特別是在復雜果園環境中，果蠅目標微小、背景干擾復雜，現有檢測技術常常面臨精度與實時性難以兩全的窘境。為了應對這一挑戰，鄧宏、蒙繁宏、王祖明等研究人員在期刊《Smart Agricultural Technology》上發表了他們的研究成果，探索如何在保證檢測精度的同時，顯著提升模型速度，以滿足大規模、實時監測的實際應用需求。
研究人員開展本項研究所用到的主要關鍵技術方法包括：構建了包含四種果蠅（Bactrocera tau, Bactrocera scutellata, Bactrocera cucurbitae, Bactrocera dorsalis）圖像的自建數據集Drosophila-Four以及利用公開的農業害蟲檢測基準數據集IP102進行模型訓練與評估；以YOLOv7-tiny為基準網絡，融合了SimAM注意力機制以增強對小目標特征的表征能力；設計了GSCBL和GSELAN輕量化模塊替換原網絡頸部的部分結構以減少參數量和計算復雜度；并創新性地提出了對象映射網絡（Object Mapping Network, OMN）與自適應門控目標（Adaptive Gating Target, AGT）推理機制，用于高效篩選包含目標的網格，從而加速推理過程。
研究結果
- •
1. 引言
通過背景分析，研究闡明了果蠅危害的嚴重性以及傳統檢測與控制方法的局限性，指出了發展基于深度學習的輕量、高效、實時果蠅檢測技術的必要性與重要意義，為本研究的開展奠定了堅實的邏輯基礎。
- •
2. 相關工作
系統回顧了傳統機器學習與深度學習在農業害蟲檢測領域的研究現狀，分析了包括支持向量機（SVM）、YOLO系列等現有方法的優勢與不足，特別是針對小目標果蠅檢測時普遍存在的特征表達弱、精度與速度矛盾以及復雜背景魯棒性差等關鍵瓶頸問題，明確了本研究的創新起點。
- •
3. KSGM-OMN模型設計
研究團隊提出了核心的KSGM-OMN模型。其核心創新在于引入了對象映射圖網絡（OMN），該網絡是一個輕量化的全卷積網絡，能夠動態選擇高質量的正樣本，并通過設計的中心分配策略算法生成目標映射圖。在訓練中，該網絡采用Focal Loss函數來應對正負樣本不均衡問題。在推理階段，配套的自適應門控目標（AGT）機制能夠精確篩選出包含目標的網格，舍棄大量背景網格，從而大幅減少了后續檢測網絡的計算量。此外，模型還在骨干網絡中集成了SimAM注意力機制以增強特征提取，并在頸部網絡中設計了基于GSConv的GSCBL和GSELAN模塊以實現輕量化。
- •
4. 實驗結果與分析
研究在自建的Drosophila-Four數據集和公開的IP102數據集上進行了充分的實驗驗證。評價指標主要包括平均精度均值（mean Average Precision, mAP@0.5）和每秒幀數（Frames Per Second, FPS）。對比實驗結果表明，提出的KSGM-OMN模型在多個主流檢測模型中表現優異。在Drosophila-Four數據集上，KSGM-OMN以6.41M的參數和13.3 GFLOPS的計算量，取得了72.1%的mAP@0.5和40 FPS的檢測速度，相比前序工作KSGM-YOLO（71.2% mAP, 31 FPS）在精度和速度上均有顯著提升，也優于同期的YOLOv8s、YOLOv10s、YOLOv11s以及RT-DETR等模型。在IP102公開數據集上的實驗進一步證明了模型的泛化能力，KSGM-OMN取得了85.9%的mAP和53 FPS的速度，均優于對比模型。消融實驗證實了選擇骨干網絡深層特征C5作為OMN輸入以及各個改進模塊（SimAM、GSCBL/GSELAN、OMN+AGT）的有效性。可視化分析（如Grad-CAM）直觀顯示，改進后的模型能更有效地將注意力集中在果蠅目標區域，抑制復雜背景干擾。
研究結論與討論
本研究成功設計并驗證了一種名為KSGM-OMN的輕量級小目標果蠅檢測模型。該模型的核心貢獻在于提出了對象映射圖網絡（OMN）與自適應門控推理（AGT）機制，這一組合創新性地實現了在推理過程中對無效背景區域的快速過濾，使得檢測器能夠聚焦于更少但信息更豐富的像素，從而在保持高精度的同時大幅提升了檢測速度。此外，模型中集成的SimAM注意力機制和基于GSConv的輕量化頸部模塊，也分別從增強小目標特征表達和降低模型復雜度兩個維度對性能做出了貢獻。
實驗數據有力地支撐了上述結論。KSGM-OMN模型在自建和公開數據集上均達到了當前主流輕量化檢測模型中的先進水平，特別是在檢測速度（FPS）上表現突出，實現了40 FPS以上的實時檢測能力，且模型參數量控制在較低水平。這解決了現有小目標檢測模型普遍存在的“精度-速度”權衡難題，為在計算資源有限的農業邊緣設備（如移動終端、嵌入式系統）上部署高效的實時害蟲監測系統提供了可行的技術方案。
該研究的意義不僅在于提出了一個性能優異的特定模型，更在于其方法論上的啟示：通過設計前置的、輕量的目標區域篩選機制，可以高效優化整個檢測流程，這對其他類似的小目標、復雜背景下的實時檢測任務具有重要的借鑒價值。研究成果有望推動智能農業害蟲監測從實驗室走向田間地頭，幫助農民實現早期精準防控，減少農藥過度使用，保障農業生產安全與生態可持續性，是智慧農業發展中一項具有重要實踐意義的技術創新。
