[1]廖晓娟,刘雷,唐锡雷.基于改进CenterNet的农作物害虫智能检测算法[J].江苏农业科学,2026,54(4):277-288.
　Liao Xiaojuan,et al.An intelligent detection algorithm for crop pests based on improved CenterNet[J].Jiangsu Agricultural Sciences,2026,54(4):277-288.
点击复制

基于改进CenterNet的农作物害虫智能检测算法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第4期
页码:
277-288
栏目:
病虫害智能检测
出版日期:
2026-02-20

文章信息/Info

Title:
An intelligent detection algorithm for crop pests based on improved CenterNet
作者:
廖晓娟1; 刘雷2; 唐锡雷1
1.重庆科创职业学院人工智能学院，重庆 402160； 2.西安电子科技大学通信学院，陕西西安 710126
Author(s):
Liao Xiaojuan; et al
关键词:
农作物害虫检测; CenterNet; 目标检测; 无先验框; 轻量化网络
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对农业领域中害虫检测自动化程度低、传统深度学习检测算法计算复杂度高、难以部署于资源受限设备的问题，提出一种轻量化改进型CenterNet的害虫检测算法。该方法采用轻量级MobileNet v3替代原有的ResNet-50作为主干网络，显著降低参数量；引入深度可分离卷积的PANet作为特征提取网络，有效融合多尺度特征信息；集成SimAM注意力机制增强关键害虫特征的表达能力；采用SiLU激活函数替换传统ReLU函数，提升网络非线性学习能力。此外，设计CPAN-ASFF特征融合模块，对多尺度特征图进行自适应整合，进一步提升微小目标与形态相似害虫的检测精度。在IP102农作物害虫数据集上的验证结果表明：改进算法的平均精度达到98.3%，较原始CenterNet提升3.5百分点；检测速度为58 帧/s，满足实时性要求；模型参数量仅为7.86 M，减少74.8%，同时在密集分布、形态相似及微小目标害虫的检测上表现优异。交叉验证测试显示，该方法在多种农作物害虫场景中均优于主要检测算法。
Abstract:
-

参考文献/References:

［1］吴先福，郭韫丽，游秋花，等. 中国农业昆虫与害虫防治学科研究热点与趋势分析［J］. 中国植保导刊，2024，44(7)：23-31，38.
［2］周源琳，王淳钥，吉庆东，等. 昆虫短神经肽研究进展及在害虫防治中的潜在应用［J］. 农药学学报，2024，26(6)：1025-1036.
［3］王春桃，梁炜健，郭庆文，等. 农业害虫智能视觉检测研究综述［J］. 中国农机化学报，2023，44(7)：207-213.
［4］陈万志，袁航. 改进YOLO v8n的林业害虫检测方法［J］. 北京林业大学学报，2025，47(2)：119-131.
［5］唐延龄，韩巧玲，赵玥，等. 基于多尺度序列特征融合的林区害虫检测算法［J］. 林业科学，2025，61(2)：21-30.
［6］刘志，翟瑞芳，彭万伟，等. 融合注意力机制的Cascade R-CNN田间害虫检测方法［J］. 华中农业大学学报，2023，42(3)：133-142.
［7］李龙，李梦霞，李志良. 基于改进YOLO v8的水稻害虫识别方法［J］. 江苏农业科学，2024，52(20)：209-219.
［8］李萍，刘裕，师晓丽，等. 基于多尺度残差空间注意力轻量化U-Net的农业害虫检测方法［J］. 江苏农业科学，2023，51(3)：187-196.
［9］张伟伟，陈赛越扬，崔英，等. 基于改进YOLO v8模型的烟草食叶性害虫识别［J］. 江苏农业科学，2024，52(17)：209-217.
［10］魏志慧，张聪，成泞伸，等. 一种水稻害虫的小目标检测方法研究［J］. 江苏农业科学，2024，52(9)：232-241.
［11］王中天，邹颖波，吴昌霖，等. 超越单一感知的农田害虫检测算法MRA-YOLOX［J］. 计算机工程与应用，2024，60(16)：206-216.
［12］彭红星，徐慧明，高宗梅，等. 基于改进YOLOF模型的田间农作物害虫检测方法［J］. 农业机械学报，2023，54(4)：285-294，303.
［13］高天赐，王克俭，陈晨，等. 基于DCP-ShuffleNet v2的轻量级森林害虫识别方法［J］. 中国农机化学报，2025，46(1)：190-197.
［14］谭泗桥，陈涵，朱磊，等. 基于改进YOLO v8m的稻田害虫识别方法［J］. 农业工程学报，2025，41(2)：185-195.
［15］张欢，周毅，王克俭，等. 基于MobileViT-PC-ASPP和迁移学习的果树害虫识别方法［J］. 农业机械学报，2024，55(11)：57-67.
［16］林相泽，徐啸，彭吉祥. 基于图像消冗与CenterNet的稻飞虱识别分类方法［J］. 农业机械学报，2022，53(9)：270-276，294.
［17］毛腾跃，朱俊杰，帖军. 基于无锚框检测网络的茶叶嫩芽识别方法研究［J］. 中南民族大学学报(自然科学版)，2023，42(4)：489-496.
［18］杨福增，雷小燕，刘志杰，等. 基于CenterNet的密集场景下多苹果目标快速识别方法［J］. 农业机械学报，2022，53(2)：265-273.
［19］王林柏，张博，姚竟发，等. 基于卷积神经网络马铃薯叶片病害识别和病斑检测［J］. 中国农机化学报，2021，42(11)：122-129.
［20］孔令旺，赵刚. 基于空洞卷积下采样单元的轻量化害虫图像识别模型［J］. 江苏农业科学，2024，52(11)：189-196.
［21］周江龙，王天一，李论，等. 基于深度学习的轻量化农作物叶片病害识别模型［J］. 江苏农业科学，2024，52(16)：230-238.
［22］许爽，杨乐，刘婷. Ghost-MobileNet v2：一种轻量级玉米田杂草识别新模型［J］. 江苏农业科学，2024，52(20)：173-180.
［23］沈熠辉，何惠彬，陈小宇，等. 融合SKNet与MobileNet v3的芒果叶片病虫害分类方法［J］. 福建农业学报，2024，39(5)：584-592.
［24］张会敏，吉秉彧，谢泽奇. 基于多尺度注意力机制网络的玉米害虫识别方法［J］. 江苏农业科学，2024，52(9)：241-247.

相似文献/References:

[1]徐聪,王旭启,刘裕.一种改进可形变FCN的农作物害虫检测方法[J].江苏农业科学,2022,50(9):211.
　Xu Cong,et al.An improved deformable FCN method for detection of field crop pest[J].Jiangsu Agricultural Sciences,2022,50(4):211.

备注/Memo

备注/Memo:
收稿日期：2025-03-30
基金项目：重庆市教育委员会科学技术研究项目(编号：KJQN202105404)。
作者简介：廖晓娟(1987—)，女，河南信阳人，硕士，副教授，研究方向为智慧农业、无线传感网、物联网。E-mail：row414@163.com。
通信作者：刘雷，博士，副教授，研究方向为边缘计算、深度学习、图像处理。E-mail：liulei1987@163.com。
更新日期/Last Update: 2026-02-20