[作者-张力|编辑-王欣芮|审核-刘心月]2025年4月2日，华中农业大学陈耀晖副研究员团队联合我组在IEEE Transactions on AgriFood Electronics在线发表了题为“Intelligent Psyllid Monitoring based on DiTs-YOLOv10-SOD”的论文。该研究提出了一种基于DiTs-YOLOv10-SOD的木虱智能监测系统，实现了柑橘木虱的全自动识别，便于实时检测，有助于柑橘作物的保护。

木虱监测系统框架和算法设计

木虱识别系统主要有数据自动采集上传、木虱虫情智能监测、虫情实时可视化。整个系统流程如下图所示。

木虱虫情监测的算法实现部分主要包括三个部分，木虱数据增强，木虱识别模型训练，木虱计数。

因为在大田中采集到的虫子数据复杂多样，木虱只占一少部分。因此首先使用DiTs生成模型对木虱数据进行数据增强，弥补数据集不平衡的缺点，为后续训练检测模型奠定基础。

随后我们以YOLOv10为基础，在原有的模型基础上加入了SOD（Small object detection）模块来优化YOLOv10对于小目标的检测能力，提高模型针对于木虱这种目标物小，占用像素少的虫子的检测能力。 为了提高检测准确率，我们使用滑动窗口裁剪的方法对图像进行检测，这样的裁剪方法虽然能够满足计算需求，但是可能导致重复检测，因此我们引入了Soft-NMS来加权合并重叠的检测框，保证检测准确捕获完整的虫体。

实验与分析

为了确保数据增强时模型的可靠性，我们选择了4个主流的SOTA模型DCGAN、DDPM、StyleGAN、DiTs来进行对比筛选。具体的对比实验结果表所示发现DiTs在FID和MS-SSIM上均取得了最优，在LPIPS上排名第二。具体生成结果可视化为图3所示，发现DiTs有较好的生成效果和稳定性。

表2和3为YOLOv10-SOD的模型实验结果，通过表中内容可以发现YOLOv10-SOD的效果最好，其中Recall、F1指数和Precision达到了90.55%、92.18%和93.88%。相较于原模型和其他主流目标检测模型有较大的提升。

图5为模拟实际场景图片检测所示，大量的点集中在红色虚线上，这些点的颜色较浅，因此我们可以得到YOLOv10-SOD的检测结果与真实值有很好的一致性。

我们将算法集成到广西特色作物研究所安装的柑橘木虱监测装置中，如图6所示，以2天为间隔进行木虱图像采集，然后根据获取的图像对木虱进行检测和计数。这些信息有助于确定活动高峰期和低活动期，从而为制定有效的监测和控制战略提供数据支持。

总结和讨论

本文提出了一种结合图像裁剪、生成、增强和检测的框架，由DiTs生成模型和使用Soft-NMS增强的YOLOv10-SOD检测模型支持。该框架解决了木虱检测中的关键挑战，如图像尺寸大、样本有限和样本不平衡等。此外，我们开发了一种基于物联网的智能监测系统，能够自动捕集、消耗品更新和害虫识别，简化了木虱监测，并为小型害虫的管理提供了宝贵的见解。

本组博士生张力为论文的第一作者，陈耀晖副研究员为该论文的通讯作者。本论文得到国家自然科学基金项目（12301651）和国家自然科学基金项目（62376104）的资助。