虫情测报灯图像识别算法实践：小目标检测、粘连计数与飞虱细粒度分类

在虫情测报灯图像识别项目中，目标检测只是第一步。真正影响测报计数质量的，往往是三个问题：小目标能否检出、密集粘连的虫体能否正确计数、外形相近的害虫能否区分。

以褐飞虱、白背飞虱等近缘种识别为例，虫体尺寸小，局部外观差异有限，成像质量还会受到虫体姿态、粘板反光和样本重叠的影响。如果直接套用通用目标检测模型，稀疏场景可能表现正常，但在高虫量、强粘连和复杂背景下，漏检、重复计数和分类混淆就容易同时出现。

本文围绕虫情测报灯图像识别算法，讨论一套可供工程实现参考的处理流程：分块检测、计数交叉校验、细粒度分类、置信度门控，以及基于人工复核的难例回流。重点不是堆叠网络结构，而是让每个环节的输入、输出和异常处理都可追踪。

一、问题拆解：为什么通用目标检测不一定适合诱虫图像？

虫情测报灯的图像与常规自然场景图像存在明显区别。

一方面，虫体可能只有几个像素到几十个像素，具体取决于相机分辨率、拍摄距离和图像缩放比例。另一方面，诱集后的虫体可能密集分布，出现重叠、遮挡、翅片交叠等情况。此外，粘板底色、胶面反光、虫体碎片和其他非靶标昆虫也会影响识别。

因此，工程上不宜只用一个“检测准确率”评价整套算法，而应拆成四个子问题。

这里有一个需要明确的边界：检测框数量不一定等于真实虫体数量，分类置信度也不等于分类结果一定正确。两者都需要在真实样本上进行验证。

二、算法流水线：检测、计数校验、细分类与置信度门控

可以将诱虫图像处理设计为以下流程：

原始诱虫图像 ↓ 有效区域提取与图像质量检查 ↓ 重叠分块检测 ↓ 跨块目标合并 ↓ 计数校验与疑似粘连区域定位 ↓ 虫体裁剪与细粒度分类 ↓ 置信度门控 ├── 高可信结果：进入自动统计 ├── 低可信结果：进入人工复核 └── 未知目标：进入难例样本库 ↓ 生成测报数据与质量记录

1. 小目标检测：分块推理与跨块去重

高分辨率诱虫图像直接缩放到固定输入尺寸，可能导致小虫体进一步缩小，细节丢失。分块推理可以保留局部细节，但也会带来一个新问题：位于相邻图像块边界的同一只虫，可能被重复检测。

一种常见做法是对有效区域进行带重叠的切块，每个图像块独立推理，再将检测坐标映射回原图坐标系，最后执行跨块目标合并。

实现时需要注意以下几点：

• 切块保留适当重叠区域。避免目标恰好位于切块边缘时被截断。
• 坐标映射必须一致。需要记录裁剪偏移、缩放比例和必要的填充信息，确保预测框能准确映射回原图。
• 跨块去重需要考虑边界场景。可根据框重叠程度、中心点距离和检测置信度判断是否为同一目标。
• 检测阈值需要用本地数据标定。阈值过高可能漏掉小虫体，过低则会增加杂质误检。

对于目标尺寸差异明显的场景，可以评估多尺度训练或多尺度推理。但多尺度策略会增加计算开销，是否启用应结合召回率、计数误差和端侧时延进行权衡。

2. 粘连计数：检测框、密度估计与局部复核如何配合？

粘连是虫情测报图像中比较棘手的问题。

当多个虫体相互遮挡时，目标检测模型可能只输出一个框；如果直接统计检测框数量，就会出现系统性少计。密度估计可以从整幅图像或局部区域预测虫体数量分布，在高密度场景下提供另一种计数参考。

两种方法的误差特点不同：

• 检测框计数可以保留目标位置和实例信息，但容易受到遮挡、漏检和重复检测影响。
• 密度图估计适合输出区域级数量估计，但通常不能直接给出每只虫的独立边界。
• 实例分割或局部切分能够进一步处理部分粘连区域，但其效果取决于虫体边界是否可辨认。

因此，可以采用检测计数与密度估计交叉校验的策略。需要强调的是，密度图积分和检测框数量存在偏差，只能说明两种估计不一致，不能直接证明一定存在粘连。

下面给出一个用于说明控制流程的 Python 示例。detect_tiles()、estimate_density()和refine_suspicious_regions()是需要根据具体模型实现的接口，并非可直接运行的完整代码。

defcount_insects(image,tile_size,overlap,deviation_threshold=0.15):""" 诱虫图像计数流程示例。 返回： count: 最终采用的计数结果 boxes: 经过去重和必要复核的目标框 review_regions: 建议人工复核的区域 """tiles=make_overlapping_tiles(image,tile_size=tile_size,overlap=overlap)# 1. 分块检测，并映射回原图坐标tile_predictions=detect_tiles(tiles)boxes=merge_cross_tile_boxes(tile_predictions)# 2. 在统一的有效图像区域上估计密度density_map=estimate_density(image)density_count=float(density_map.sum())box_count=len(boxes)# 3. 检查两种计数方式是否明显不一致denominator=max(density_count,1.0)deviation=abs(box_count-density_count)/denominator review_regions=[]ifdeviation>deviation_threshold:# 只对疑似高密度、粘连或估计不一致的区域进一步处理review_regions=locate_suspicious_regions(image=image,boxes=boxes,density_map=density_map)boxes=refine_suspicious_regions(image=image,boxes=boxes,regions=review_regions)# 4. 最终计数以明确的实例统计规则为准# 若仍无法可靠拆分，应保留不确定状态，而不是强行补齐数量count=count_valid_instances(boxes)return{"count":count,"boxes":boxes,"review_regions":review_regions,"box_count_before_refinement":box_count,"density_count_estimate":density_count,"count_deviation":deviation,}

这段代码的关键不是固定采用某个偏差阈值，而是将计数不一致变成可追踪的异常事件。

实际项目中，偏差阈值需要通过本地标注数据进行标定；如果密度图自身误差较大，单纯增加交叉校验也不会自动提升精度。对于无法从图像中分辨边界的严重重叠区域，应保留复核标记，而不是把估计值伪装成精确计数。

另外，分水岭算法适合处理部分具有可分离边界的粘连目标，但并不适用于所有虫体重叠场景。使用前需要验证图像预处理、前景分割和种子点定位是否可靠。

三、近缘种分类：为什么建议将检测与细分类分开评估？

褐飞虱、白背飞虱及其他相似昆虫之间，可能存在外观相近、局部特征细微的情况。仅依靠低分辨率检测框进行分类，可能丢失部分细节。

一种可行的工程路线是采用两阶段处理：

1. 第一阶段尽可能检出目标虫体，优先控制漏检。
2. 第二阶段从原图或高分辨率图像中裁剪虫体区域，进行细粒度分类。
3. 对分类置信度不足、多个类别概率接近或不属于已知类别的目标，转入复核流程。

分类模型可以尝试关注局部纹理、体型比例、翅部特征等信息，但具体哪些特征具有区分价值，应由真实样本和专业标注验证，不能仅凭模型注意力图就认定其学到了正确的生物学特征。

分类数据集需要注意什么？

首先，要避免训练集和测试集出现高度相似的图像。如果同一张粘板图裁出的多个虫体被随机分到训练集和测试集，测试结果可能偏乐观。更合理的做法是尽可能按采集批次、测报点位或日期划分数据集。

其次，数据集应覆盖不同虫态、拍摄条件、背景状态和虫体密度。对于稀有虫种和难以区分的近缘种，需要单独检查样本量是否足够。

最后，应保留未知类别和疑难样本的处理机制。封闭类别分类器即使给出较高的最大类别概率，也不代表输入一定属于已知类别。必要时应结合置信度校准、类别间概率差异及未知类检测策略进行判断。

四、置信度门控：不要让低可信结果直接进入正式测报数据

在病虫害测报系统中，误报、漏报和错分的业务影响可能并不相同，因此置信度阈值不能只凭经验设定。

可以先将识别结果分为三类：

置信度门控至少需要关注三个问题。

阈值是否经过本地标定。不同虫种、不同图像质量和不同采集设备的置信度分布可能不同，不能默认所有类别都适用同一阈值。

复核样本是否具有代表性。如果只复核低置信度样本，可能忽略模型高置信度但判断错误的情况。应定期抽检自动通过的样本，评估潜在漏错。

异常虫量是否有额外检查机制。当监测结果出现突增或突降时，可以触发数据质量检查，例如核对图像质量、设备状态、识别类别分布和历史变化，而不是仅依靠提高一个置信度阈值解决所有问题。

对于需要正式上报的测报数据，系统应保留原始图像、识别结果、人工修改记录和模型版本。经过人工复核的结果才能作为高质量标注回流，避免把未经确认的模型输出再次作为训练真值。

五、边缘部署：性能优化要从整条流水线看

虫情测报灯常部署在田间或乡镇监测点，现场网络和维护条件可能有限，因此端侧部署需要兼顾计算资源、处理时延、稳定性和数据管理。

优化不应只关注单个检测模型的推理速度，还要统计图像读取、切块、预处理、模型推理、跨块合并、分类和数据写入的总耗时。

可以从以下方向逐步优化。

1. 减少无效计算。

先提取有效图像区域，避免将大面积无关背景送入模型。对于切块数量较多的高分辨率图像，可以评估批量推理、异步流水线和内存复用。

2. 合理选择模型精度。

INT8量化可能降低计算和内存开销，但量化后仍需重新测试小目标召回率、近缘种分类效果和粘连计数误差。不能仅凭模型体积变小，就认定整体性能有所提升。

3. 控制重复推理。

密度估计、局部切分等模块可以根据业务需要触发，但触发条件必须经过验证。若只在检测框出现粘连时触发密度估计，仍可能漏掉检测模型完全未检出的区域，因此需要评估异常场景下的覆盖能力。

4. 建立端侧运行监控。

记录图像处理耗时、推理失败率、缓存状态、上传状态和模型版本。弱网或断网场景下，还要明确数据缓存容量、补传策略和重复数据去重规则。

如果使用荆棘鸟科技的Agile AI边缘分析终端等产品进行部署，应根据具体型号的算力、内存、推理框架和接口能力完成适配测试。D02、D08、RK16等不同型号的实际性能不能直接互相推断，端到端时延也应通过明确的图像尺寸、切块数量、模型版本和并发配置进行测量。

六、难例回流：模型上线后，数据闭环比频繁换模型更重要

新地区部署时，通用模型可能已经覆盖部分常见虫种，但本地虫相、设备背景和采集条件仍可能与训练数据存在差异。

建议建立一套可持续的难例回流流程：

模型初步识别 ↓ 低置信度样本与异常结果收集 ↓ 测报人员复核、修正标签 ↓ 样本去重与质量检查 ↓ 形成版本化训练数据集 ↓ 离线训练与独立测试 ↓ 小范围灰度验证 ↓ 满足验收条件后发布新版本

回流样本至少应记录采集时间、设备点位、原始图像、模型版本、预测类别、人工确认类别和复核状态。涉及设备背景变化时，还可以记录换板、清洁、维护等事件，便于分析数据分布变化的原因。

训练数据更新不宜只看数量。错误标注、重复样本和未经确认的预测结果都可能污染训练集。每次模型更新后，应在独立测试集上比较各类别的精确率、召回率、计数误差和端侧耗时，确认没有明显的类别退化，再进行灰度发布。

模型是否需要按月更新、双周更新或采用其他周期，应由样本累积速度、业务风险和验证结果决定，而不是把固定更新频率作为通用标准。

七、如何验证一套诱虫图像识别算法是否真正可用？

项目测试建议至少覆盖以下几个维度：

计数误差可以采用平均绝对误差（MAE）作为一个指标：

[
MAE=\frac{1}{N}\sum_{i=1}^{N}|\hat{y}_i-y_i|
]

其中，(y_i) 是第 (i) 张图像的人工核验数量，(\hat{y}_i) 是模型输出的计数结果。

不过，MAE不能独立反映所有风险。例如，大多数低虫量图像计数准确，并不意味着算法在高虫量夜也可靠。因此，测试集应按虫量、虫种、粘连程度和图像质量分层统计，同时报告测试样本量和标注规则。

对于端侧时延，也应明确是否包含图像解码、切块、模型推理、后处理和结果写入。只报告单个模型的推理时间，不能代表整个测报流程的处理效率。

结语

虫情测报灯图像识别的难点，不只是让模型找到虫体，而是要在小目标、密集粘连、近缘种混淆和现场部署约束下，给出能够被验证、能够被追溯的结果。

工程上更稳妥的路线是：先通过分块检测提高小目标检出能力，再用独立的计数校验发现异常；将近缘种细分类与目标检测分开评估；对低可信样本保留人工复核入口；最后通过难例回流和版本化测试持续改进。

对荆棘鸟科技这类开展AI视觉算法与边缘分析方案建设的企业而言，真正值得持续投入的，不只是模型本身，还包括本地样本质量、测报业务流程、端侧运行稳定性以及长期数据闭环。

只有把算法指标和实际测报流程放在一起验证，诱虫图像识别才能从单次演示走向可持续运行的工程系统。