MSGP-DETR:一种多物种储粮害虫检测变压器,结合了频域增强技术和状态空间模型

《Journal of Stored Products Research》:MSGP-DETR: A multi-species stored-grain insect pest detection transformer integrating frequency-domain enhancement and state space models

【字体: 大 中 小 】 时间:2026年01月02日 来源:Journal of Stored Products Research 2.8

编辑推荐:

  基于Transformer架构的多物种 stored-grain insect pests 检测模型MSGP-DETR通过DSTEM频率域增强模块、MPSM螺旋扫描模块和APELAN自适应聚合模块,有效解决小目标检测和复杂背景干扰问题,在SGIP8数据集及公开数据集上AP50达94.6%,参数仅920万,速度36.6 FPS,超越现有主流模型。

  
关志忠|孙富燕|刘宗旺|辛一阳|赵子涵
教育部 Grain Information Processing and Control 关键实验室,河南工业大学,郑州,450001,中国

摘要

有效检测储粮害虫(SGIP)是现代储粮管理的关键组成部分,直接影响粮食安全并减少收获后的损失。然而,由于目标尺度小、物种间形态差异微妙以及背景干扰复杂,通过目标检测方法实现准确检测仍然具有挑战性。因此,本研究提出了一种基于 Transformer 架构的高精度 SGIP 模型,称为 Multi-Species Stored-Grain Insect Pest DEtection TRansformer(MSGP-DETR)。为了提高小目标检测能力,该网络加入了离散余弦变换小目标增强模块(DSTEM)以增强频域特征。此外,还设计了多点螺旋曼巴(MPSM)模块,通过线性计算复杂度捕获长距离依赖关系。同时,开发了自适应部分增强轻量级聚合网络(APELAN),在保留关键特征信息的同时降低计算复杂度。为了评估 MSGP-DETR 在 SGIP 检测中的性能,我们收集了八种常见 SGIP 物种的成虫活体样本,并构建了一个名为 SGIP8 的数据集。实验结果表明,MSGP-DETR 在 SGIP8 数据集上的 AP50 为 94.6%,AP50:95 为 50.1%,参数数量仅为 9.2M,计算复杂度为 19.7 GFLOPs。检测速度达到 36.6 FPS,整体性能超过了当前主流模型。最后,在 Pest24 和 VisDrone2019 数据集上的验证进一步证实了 MSGP-DETR 的有效性。这项研究为自动化储粮管理提供了技术支持。

引言

储粮害虫(SGIP)是对全球粮食安全最严重的威胁之一,对全球农业可持续性构成了严峻挑战。这些破坏性昆虫通过直接消耗储粮产品以及创造有利于霉菌繁殖和霉菌毒素(尤其是黄曲霉素)产生的微环境,对消费者健康造成严重风险(Huang 等人,2022;Madhukar 等人,2025;WHO,2023)。这一挑战的规模令人震惊:全球每年收获后的损失约为 13 亿吨粮食,其中发展中国家仅 SGIP 就占 10%(FAO,2011)。这些可预防损失的环境影响深远:当粮食在收获后阶段被浪费时,所有与种植、灌溉和施肥相关的温室气体排放也会被浪费,且浪费过程中的碳强度会随着供应链的延伸而逐渐增加(Scialabba,2015;Zhu 等人,2023)。总体而言,全球粮食损失和浪费产生了总人为温室气体排放的 6-8%——每年约 33-44 亿吨二氧化碳当量(Amicarelli 等人,2021;Scialabba,2015)。这种巨大的浪费直接违背了联合国可持续发展目标 12.3,该目标要求到 2030 年将人均粮食浪费和生产损失减少 50%(Ardra 和 Barua,2022)。SGIP 造成的损失规模和复杂性凸显了迫切需要创新的自动化检测技术,以便及早准确识别虫害,从而及时干预以防止广泛损害。
传统的检测方法主要依赖于抽样检查和常规诱捕技术,这些方法劳动密集且不适用于大规模监测(Banga 等人,2018;Neethirajan 等人,2007)。现代非侵入式方法包括基于声学的系统、化学传感技术和光学方法,但这些技术存在环境敏感性差、抗干扰性能低和设备成本高等局限性,需要更强大的检测框架(Banga 等人,2018;Gong 等人,2025;Johnson,2020)。深度学习方法通过实现自动化和准确的检测能力,彻底改变了 SGIP 检测。先前的研究显示,许多学者应用基于卷积神经网络(CNN)的目标检测模型进行 SGIP 检测,在检测准确性和计算效率方面取得了显著提升(Badgujar 等人,2023;Chen 等人,2022;Chu 等人,2023;Li 等人,2024;Sun 等人,2025;Zhao 等人,2024a)。然而,基于 CNN 的目标检测模型存在固有局限性,特别是其有限的感受野和捕捉长距离依赖关系的能力受限,这从根本上限制了它们在复杂环境中的有效性。最近,DEtection TRansformer(DETR)模型及其变体在大型目标检测数据集上展示了出色的性能,利用自注意力机制有效捕捉全局上下文关系和长距离空间依赖关系(Carion 等人,2020;Lv 等人,2024;Zhang 等人,2022;Zhu 等人,2020;Zhao 等人,2024b)。在这些进展中,最新的最先进目标检测模型 DEIM-D-FINE 采用了 DEIM 训练框架和 D-FINE 架构,结合了密集的一对一匹配和匹配性感知损失以实现加速收敛,并采用细粒度分布细化和全局最优定位自蒸馏来提高精度(Huang 等人,2024;Peng 等人,2024)。然而,现有的基于 DETR 的方法在面对小目标尺度、物种间微妙形态变化和复杂背景干扰时性能下降——这些挑战在 SGIP 检测中尤为明显。这些局限性阻碍了现有方法满足可靠储粮害虫管理的精度要求。因此,本研究提出了 MSGP-DETR,这是一种基于 DEIM-D-Fine 的新型 DETR 变体,专门为克服 SGIP 检测挑战而设计。我们的目标是将该架构应用于未来的智能储粮系统,实现自动化 SGIP 检测。主要贡献如下:
  • 1)
    本研究介绍了专为储粮管理应用设计的新型 DETR 变体 MSGP-DETR。
  • 2)
    我们提出了三个创新模块:用于频域小目标增强的离散余弦变换小目标增强模块(DSTEM),用于高效长距离依赖关系建模的多点螺旋曼巴(MPSM),以及用于轻量级特征聚合的自适应部分增强轻量级聚合网络(APELAN)。通过这三个模块的协同作用,该模型显著提高了在具有挑战性的 SGIP 检测场景中的特征表示能力,从而提高了准确性和鲁棒性。
  • 3)
    通过对我们提出的 SGIP8 数据集和两个公共基准数据集进行广泛实验,我们全面评估了 MSGP-DETR 的性能,证明了该模型在现实世界储粮设施中的通用性和鲁棒性。

章节片段

传统的 SGIP 检测方法

SGIP 检测是全球粮食安全和农业管理中的一个关键挑战。历史上,SGIP 检测主要依赖于抽样检查和传统诱捕方法。手动抽样涉及对粮食的物理检查和训练有素人员的视觉检查,而诱捕方法使用信息素陷阱、陷阱和粘性陷阱捕捉昆虫,以便后续手动识别和计数。这些传统方法

概述

为了解决 SGIP 检测中的挑战,本研究提出了 MSGP-DETR。如图 1 所示,所提出的模型包括三个主要组成部分:小目标增强高性能 GPU 网络(STEHGNet)骨干网络、编码器和解码器。输入图像首先由 STEHGNet 处理,作为分层特征提取的骨干网络。在骨干网络的 STEHG-Stage 部分,离散余弦变换小目标增强模块(DSTEM)模块增强了小目标

储粮害虫数据集

有效的 SGIP 检测模型需要高质量、标注准确的数据集,以准确反映目标害虫物种的形态多样性。为此,我们开发了 SGIP8,这是一个精心策划的数据集,包含八种常见的储粮害虫物种,这些物种对储粮设施构成主要威胁。如图 6(a)–(h) 所示,该数据集包括 Rhyzopertha dominica(小谷蠹)、Tribolium castaneum(红粉甲虫)、Plodia interpunctella

不同模型的比较实验

我们在 SGIP8 数据集上训练和测试了提出的 MSGP-DETR 模型以及主流目标检测模型,所有模型都保持了一致的实验条件。如表 3 所示,我们的方法相比基于 CNN 和 Transformer 的架构表现更优。与基于 CNN 的检测模型相比,MSGP-DETR 在准确性方面取得了显著提升。与传统的两阶段检测器 Faster R-CNN-R50 相比,我们的模型

结论

本研究提出了一种用于储粮管理系统中高精度 SGIP 检测的 MSGP-DETR 模型。所提出的 DSTEM 模块通过频域处理和边缘增强技术提高了小目标检测能力和抗背景干扰能力。MPSM 模块通过创新的螺旋扫描策略和状态空间建模实现了高效的特征提取。此外,APELAN 降低了计算复杂度

CRediT 作者贡献声明

关志忠:写作 – 审稿与编辑,撰写 – 原稿,可视化,方法论,形式分析。孙富燕:写作 – 审稿与编辑,撰写 – 原稿,方法论,资金获取,概念化。刘宗旺:写作 – 审稿与编辑,资源,项目管理,调查,资金获取。辛一阳:写作 – 审稿与编辑,软件。赵子涵:写作 – 审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了 河南工业大学 的 Grain Information Processing and Control 关键实验室开放项目、教育部(编号 KFJJ2025010 和 KFJJ2024007)、河南省自然科学基金(编号 252300420367)以及 山东省自然科学基金(编号 ZR2022MF318)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号