数字农科院2.0

基于YOLO与扩散模型的冠层环境灰茶尺蠖幼虫检测方法

文献类型： 中文期刊

作者： 罗学论;Mostafa GOUDA;宋馨蓓;胡妍;张文凯;何勇;张瑾;李晓丽

作者机构：

关键词： 灰茶尺蠖幼虫;目标检测;茶冠层环境;YOLO;扩散模型

期刊名称：智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2025 年 中英文 期

页码：

收录情况： CSCD（2025-2026年度） ; ; 科技核心（2024版） ; ; 农林核心（2024版）

摘要： [目的/意义]灰茶尺蠖（Ectropis grisescens）幼虫对茶树的危害是当前茶叶生产面临的主要生物胁迫之一，实现其早期精准检测具有重要的生产实践意义。[方法]本研究提出了一种融合可控扩散模型与目标检测深度学习框架的高效识别方法，用于茶树冠层中灰茶尺蠖幼虫四个龄期的实时检测。研究构建了三级检测体系：全龄期检测（1—4龄）、虫龄段检测（1—2龄与3—4龄分组），以及精准龄期检测（各龄期独立识别）。研究引入可控扩散模型，并创新性地提出数据集优化与高质量图像筛选策略，旨在提升YOLO系列模型（YOLOv8、v9、v10、v11）在灰茶尺蠖数据集上的检测性能。[结果与讨论]全龄期检测中YOLO系列模型的最佳平均mAP50达到0.904，虫龄段检测的最佳平均mAP50为0.862，精准龄期检测的最佳平均mAP50为0.697。值得注意的是，可控扩散模型的引入使YOLO系列模型的性能获得普遍提升，其中YOLOv10在三类检测任务中的提升最为显著（配对t检验，p<0.05），平均mAP50从0.811提升至0.821。综合比较发现，YOLOv9在灰茶尺蠖检测中表现最优，其三类检测任务的平均mAP50达0.826,F1值为0.767。[结论]本研究证实，基于可控扩散模型与深度学习相结合的创新方法，能够有效实现田间灰茶尺蠖幼虫各龄期的精准识别，为茶园灰茶尺蠖智能监测提供了可靠的理论基础和技术支撑。

分类号：

  • 相关文献

[1]基于机器视觉的蚕豆荚高精度检测方法研究. 夏子林,张新洲,王文波,夏先飞,陈兰,顾寄南. 2025

[2]基于Logistic方程的创新技术传播模式及其稳定性分析. 聂荣,钱克明,潘德惠. 2006

[3]郑单958品种扩散特点与推广建议. 李晓君,李少昆,王芳. 2007

[4]Intelligent Survey Method for Tiny Rice Pests and Their Natural Predators in Paddy Fields Using Augmented Reality (AR) Glasses. 洪辰,,罗举,,冯泽霖,,凌和平,,李玲一,,吴坚,,姚青,,刘淑华. 2025

[5]基于YOLOv8网络的棉蚜图像识别算法及软件系统设计. 马盼,杨子恒,万虎,何顺,黄远,徐胜勇. 2023

[6]基于知识蒸馏的多教师棉田杂草检测模型. 朱养鑫,郝珊珊,郑伟健,金诚谦,印祥,周鹏. 2025

[7]基于无人机视频流的小麦穗数精准监测研究. 韩桐鹤,张博涵,费帅鹏,李雷,孙海艳,王多霞,孟亚雄,肖永贵. 2025

[8]基于YOLOv8网络的棉蚜图像识别算法及软件系统设计. 马盼,杨子恒,万虎,何顺,黄远,徐胜勇. 2024

[9]Ag-YOLO: A Real-Time Low-Cost Detector for Precise Spraying With Case Study of Palms. Zhenwang Qin,Wensheng Wang,Karl Heinz Dammer,Leifeng Guo,Zhen Cao. 2021

[10]Convolutional Neural Network for Object Detection in Garlic Root Cutting Equipment. Yang, Ke,Peng, Baoliang,Gu, Fengwei,Zhang, Yanhua,Wang, Shenying,Yu, Zhaoyang,Hu, Zhichao. 2022

[11]Ag-YOLO: A Real-Time Low-Cost Detector for Precise Spraying With Case Study of Palms. Zhenwang Qin,Wensheng Wang,Karl Heinz Dammer,Leifeng Guo,Zhen Cao. 2022

[12]Experimental Study of Garlic Root Cutting Based on Deep Learning Application in Food Primary Processing. Yang K.,Yu Z.,Gu F.,Zhang Y.,Wang S.,Peng B.,Hu Z.. 2022

[13]Mapping Maize Planting Densities Using Unmanned Aerial Vehicles, Multispectral Remote Sensing, and Deep Learning Technology. Jianing Shen,Qilei Wang,Meng Zhao,Jingyu Hu,Jian Wang,Meiyan Shu,Yang Liu,Wei Guo,Hongbo Qiao,Qinglin Niu,Jibo Yue. 2024

[14]PAB-Mamba-YOLO: VSSM assists in YOLO for aggressive behavior detection among weaned piglets. Xue Xia,Ning Zhang,Zhibin Guan,Xin Chai,Shixin Ma,Xiujuan Chai,Tan Sun. 2025

[15]UCIW-YOLO: Multi-category and high-precision obstacle detection model for agricultural machinery in unstructured farmland environments. Gangwei Liu,Chengqian Jin,Youliang Ni,Tengxiang Yang,Zheng Liu. 2025

[16]A Lightweight and Rapid Dragon Fruit Detection Method for Harvesting Robots. Fei Yuan,Jinpeng Wang,Wenqin Ding,Song Mei,Chenzhe Fang,Sunan Chen,Hongping Zhou. 2025

[17]SPADE: A DEEP LEARNING FRAMEWORK FOR AUTOMATED SEED POTATO CUTTING. Huang, Jie,Wang, Xiangyou,Cheein, Fernando Auat,Jin, Chengqian. 2025

[18]ENT-YOLO: An improved lightweight YOLO for cotton organ detection in mulched drip irrigation systems in southern Xinjiang. Shao, Jingcui,Zhao, Qingqing,Gong, Zhi,Guo, Xinhua,Geng, Shiyi,Li, Zhaoyang,Li, Dongwei. 2025

[19]基于轻量化YOLOv3卷积神经网络的苹果检测方法. 武星,齐泽宇,王龙军,杨俊杰,夏雪. 2020

[20]基于Mask R-CNN的玉米干旱卷曲叶片检测. 安江勇,黎万义,李茂松. 2019

作者其他论文 更多>>