PEFF-Net:面向边缘部署的实时水稻害虫检测轻量化边缘特征融合网络

《Electronics》:PEFF-Net: A Lightweight Pest Edge Feature Fusion Network for Real-Time Rice Pest Detection Towards Edge Deployment

【字体: 大 中 小 】 时间:2026年08月27日 来源:Electronics 2.9

编辑推荐:

  准确且高效的水稻害虫检测对于确保粮食安全和提高农业生产效率至关重要。传统的手动害虫监测方法无法满足现代农业对精度和效率的要求。为了解决在资源受限的边缘设备上部署高精度目标检测模型的挑战,研究人员提出了一种高效、轻量化的水稻害虫检测模型,称为害虫边缘特征融合网络

  
准确且高效的水稻害虫检测对于确保粮食安全和提高农业生产效率至关重要。传统的手动害虫监测方法无法满足现代农业对精度和效率的要求。为了解决在资源受限的边缘设备上部署高精度目标检测模型的挑战,研究人员提出了一种高效、轻量化的水稻害虫检测模型,称为害虫边缘特征融合网络(PEFF-Net),并实现了一个综合的边缘端离线智能监测系统。PEFF-Net集成了边缘特征提取主干(EFStem)、边缘语义融合模块(ESF)以及轻量化跨层特征融合输出模块(LCFO)。通过精简深度特征图并增强边缘特征感知,该模型显著降低了参数开销,同时增强了多尺度特征融合能力。实验结果表明,在包含5000张图像的Z-RP12数据集上,PEFF-Net具有2.12 M参数,并达到了90.6%的AP0.5,在检测精度和模型紧凑性之间提供了良好的平衡。研究人员采用Jetson Orin Nano Super 8 GB作为核心硬件平台,并利用TensorRT进行INT8量化加速。优化后的模型在Jetson Orin Nano Super 8 GB上实现了31 FPS的帧率,平均延迟约为32.1 ms。独立的跨摄像头现场评估进一步支持了所提出的边缘端检测系统在测试条件下的可行性。
水稻作为全球基础粮食作物,在粮食安全中发挥关键作用。然而,持续的水稻害虫侵染严重阻碍了产量的可持续增长。传统人工识别方法易受人为错误影响且难以规模化应用。尽管深度学习已成为农业监测的标准范式,但现有框架在精度、模型大小和数据集多样性之间仍面临显著的权衡问题。例如,部分模型计算成本高昂限制其实时性,部分模型在受限数据集上验证缺乏跨区域现场测试。此外,浅层结构线索与深层上下文表示融合时易产生语义不匹配,跨尺度信息流协调薄弱也制约了检测精度与计算效率的平衡。为此,研究人员开发了一种专为Jetson边缘设备设计的综合移动检测系统,提出一种高效、轻量化的水稻害虫检测模型,称为害虫边缘特征融合网络(PEFF-Net,一种用于边缘部署的高效轻量级网络)。该模型通过显式构建多尺度结构边缘表示并与深层语义特征对齐,结合轻量化跨层聚合预测结构,有效解决了上述瓶颈。实验表明,PEFF-Net在仅有2.12 M参数的情况下达到了90.6%的AP0.5(在交并比为0.5时的平均精度)。该研究为水稻害虫监测提供了高精度、紧凑的解决方案,并通过边缘端离线实时推理系统实现了实际农业环境中的部署应用。该研究发表在《Electronics》上。

研究人员构建了包含5000张图像、12类害虫的Z-RP12数据集,样本队列来源于IP102数据库提取的2912张图像、公开PaddlePaddle AI Studio数据集的697张图像,以及中国浙江省江山市稻田采集的861张图像。模型架构上,引入ScharrConv提取边缘特征,利用可变形卷积版本3(DCNv3,动态调整采样位置以适应不规则形状的卷积)进行特征对齐,并设计轻量化跨层特征融合输出模块(LCFO,用于执行跨层聚合)。边缘部署方面,利用ONNX导出模型,采用TensorRT进行INT8量化加速,并在Jetson Orin Nano Super 8 GB平台部署。此外,采用Grad-CAM技术进行特征可视化。

3.3.1 边缘检测算子的对比实验
研究人员在边缘特征提取主干(EFStem,用于提取浅层边缘信息)中比较了不同边缘检测算子。结果表明,Scharr算子在各项精度指标上均取得最高值,其对弱边缘和细粒度纹理的敏感性有助于保留叶片边界和害虫轮廓等结构信息。

3.3.2 不同主干网络的性能对比
在YOLO11n框架内替换不同主干网络进行对比。结果显示,直接替换为主流轻量化网络无法有效平衡检测精度与模型复杂度。而提出的EFStem–ESF主干网络在AP0.5和AP0.5:0.95(交并比从0.5到0.95范围内的平均精度)上均表现优异,验证了该主干网络具有良好的特征表示能力。

3.3.3 LCFO有效性的验证实验
对比不同颈部网络结构的性能。结果表明,YOLO-LCFO在提升各项准确率指标的同时降低了参数量和计算复杂度。移除低分辨率P5分支并引入跨层连接,有效增强了浅层空间信息与深层语义特征的交互,提升了小目标检测性能。

3.3.4 消融实验
基于YOLO11n基线进行消融实验。单独集成EFStem可提升准确率;边缘语义融合模块(ESF,用于实现通道级交互和空间建模)有效融合浅层边缘特征;LCFO则优化了结构效率。三者结合的PEFF-Net取得最佳性能,精度提升5.3%,参数量减少0.46 M。

3.3.5 不同目标检测算法的对比实验
PEFF-Net在保持紧凑参数量(2.12 M)的情况下,取得了最高的AP0.5(90.6%)和AP0.5:0.95(70.4%),并在帕累托前沿上展现了精度与计算成本的最佳权衡。

3.3.6 类别与尺度性能分析
PEFF-Net在所有12类害虫的检测中均优于YOLO11n。在尺度分析中,小、中、大目标上的APS(小目标平均精度)、APM和APL均有所提升,其中小目标提升最为显著,表明其高分辨率P2分支和边缘感知处理在保留小目标空间信息方面尤为有效。

4.5 Jetson边缘设备上的部署性能对比
在Jetson Orin Nano Super 8 GB上进行INT8量化部署测试。PEFF-Net经TensorRT加速后达到31 FPS的吞吐量,平均延迟为32.1 ms,在AP0.5上保持了优势,满足实时现场处理需求。

4.6 独立现场评估与系统验证
使用不同摄像头采集的独立现场图像集评估。PEFF-Net在AP0.5上达到89.1%,较YOLO11n提升1.6个百分点。完整的现场部署测试验证了离线流水线在实际农业环境中的可行性。

在研究结论部分,研究人员总结了PEFF-Net检测器及边缘端检测系统的开发成果。实验结果表明,PEFF-Net在保持紧凑参数量的同时提升了检测精度,且TensorRT INT8加速在评估的部署配置下实现了实时推理。独立的跨摄像头现场测试为在特定条件下系统的可行性提供了证据。然而,当前验证在害虫类别、地理覆盖范围和持续时间上存在局限,未来需要进行更广泛的多地点、多日期评估以评估长期鲁棒性。此外,研究主要基于单模态图像数据,未来将聚焦多模态数据融合(整合红外图像、高光谱数据和无人机视频等),以克服单模态在环境适应性和特征表示上的局限。研究人员计划将模型扩展至多作物病虫害检测,并构建多模态农业害虫检测系统。同时,通过结合生态模型,利用害虫检测数据分析天敌与害虫间的种群动态,为生态害虫管理和可持续农业实践提供数据支持。
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