一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置、监测方法及管理系统

本发明涉及农业微小虫害检测，尤其涉及一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置、监测方法及管理系统。

背景技术：

1、芽草工厂具备单位面积种植密度高、批次化连续生产的典型特征，同时受层架式种植结构限制，种植空间紧凑，生产过程中需依靠高频次人工巡检完成虫害监测作业。小麦幼苗具有叶片纤细狭长、株间枝叶相互交叠的生长特性，而蚜虫虫体尺寸微小，且多隐匿分布于小麦幼苗叶片背面、叶鞘、茎秆及叶片重叠间隙等隐蔽区域，极大提升了虫害检测难度。同时，蚜虫体色、环境阴影、小麦叶片纹理及栽培基质背景之间存在严重的视觉特征干扰，目标害虫与背景区分度极低。目前行业内主要依靠人工近距离逐盘核查的方式开展虫情巡检，该作业方式不仅检测效率极低，而且检测结果高度依赖人工经验，主观性较强，无法形成具备连续性、精准定位、全程可追溯的标准化虫情监测数据，难以满足芽草工厂智能化、精准化虫害管控的生产需求。

2、现有害虫监测技术方案存在明显的场景适配局限性。其中，主流监测方案多依托诱虫灯、性诱芯、专用诱捕装置或粘虫板、粘虫胶带等设备采集害虫图像、统计虫体数量，该类方案仅适用于飞行性害虫的诱捕统计及平面载体虫体计数，无法直接反馈小麦幼苗活体植株表面的实时虫口密度，监测数据与芽草工厂实际虫害情况偏差较大。同时，黏附式监测设备易受环境反光、虫体堆叠粘连、虫体残损、设备定期更换维护等因素影响，监测稳定性与准确性较差。而传统仓储粮虫检测技术针对粮仓、粮堆场景的储粮害虫设计，其监测背景环境、害虫生存状态、监测作业流程均与芽草工厂内活体小麦蚜虫的监测场景存在本质差异，无法直接移植应用。常规大田作物虫害巡检方法，主要适配田间远距离成像、作物冠层大范围全景监测场景，亦无法适配植物工厂巡检机器人近距离微距成像、高精度微小虫害检测的作业需求。

3、现有yolo系列害虫检测算法的研究与应用，大多聚焦于模型自身结构的优化改进，仅能实现单一的害虫图像识别检测功能，无法适配植物工厂巡检机器人作业全流程需求，难以覆盖设备触发采集、微距成像调控、智能补光控制、嵌入式端推理、精准虫口计数、云端服务器数据上传等一体化作业环节。

4、基于上述现有技术存在的诸多技术缺陷，本领域亟需一种融合硬件传感采集、精细化微距成像、小麦幼苗蚜虫专属微小害虫识别模型、标准化虫口计数流程及服务器数据管控的一体化技术方案，构建覆盖虫害数据采集、智能识别计数、数据云端管理的全流程解决方案，以此解决当前芽草工厂小麦蚜虫监测效率低、精度差、数据不规范、技术场景适配性不足的行业技术痛点。

技术实现思路

1、有鉴于此，本发明提供了一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置、监测方法及管理系统，在不依赖诱虫灯或粘虫板等捕虫设备前提下，适用于芽草工厂中植株表面蚜虫的图像采集、识别计数和数据上传，实现了芽草工厂中小麦幼苗活体蚜虫的原位监测和数据化管理。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置，包括微距图像采集模块、嵌入式计算模块、控制模块和通信模块；其中，微距图像采集模块、嵌入式计算模块和通信模块依次连接，控制模块分别与微距图像采集模块、嵌入式计算模块连接；

4、微距图像采集模块用于采集目标区域的小麦幼苗叶片、叶鞘、茎秆或局部交叠区域的蚜虫图像；

5、嵌入式计算模块用于运行训练好的wheataphid-yolov8n模型并根据蚜虫图像生成蚜虫检测结果；

6、通信模块用于将蚜虫检测结果上传云端服务器；

7、控制模块用于响应触发信号、控制微距图像采集模块进行拍照和调用嵌入式计算模块中的训练好的wheataphid-yolov8n模型进行蚜虫检测推理。

8、上述的装置，可选的，嵌入式计算模块中，wheataphid-yolov8n模型是以yolov8n为基础模型，结合高分辨率特征检测分支、叶片背景抑制注意力机制、细粒度特征提取模块、轻量化特征融合结构以及多尺度特征融合模块构建得到的。

9、上述的装置，可选的，wheataphid-yolov8n模型包括主干网络、颈部网络和检测头；

10、主干网络用于提取标准小麦幼苗图像的浅层纹理特征和深层语义特征；颈部网络用于融合不同尺度的浅层纹理特征和深层语义特征，得到小麦幼苗特征融合图像；检测头用于根据小麦幼苗特征融合图像进行蚜虫识别，输出蚜虫的类别、位置和置信度。

11、上述的装置，可选的，wheataphid-yolov8n模型的训练过程具体包括：

12、数据采集步骤：在试验区域的小麦幼苗上接入不同虫口密度的蚜虫，利用工业相机采集试验区域的小麦蚜虫rgb图像数据；

13、数据处理步骤：对小麦蚜虫rgb图像数据进行筛选和标注，并根据预设比例进行数据划分，获得小麦蚜虫数据集；

14、模型构建步骤：以yolov8n为基础模型构建wheataphid-yolov8n模型，确认初始小麦幼苗蚜虫识别模型；

15、模型训练步骤：基于高分辨率输入和小目标增强训练策略，利用小麦蚜虫数据集对初始小麦幼苗蚜虫识别模型进行训练和测试，确认用于小麦幼苗蚜虫识别的模型权重；

16、模型确认步骤：基于模型权重对初始小麦幼苗蚜虫识别模型进行调整和校准，得到训练好的小麦幼苗蚜虫识别模型。

17、上述的装置，可选的，wheataphid-yolov8n模型的训练过程中，模型训练步骤中的小目标增强训练策略包括图像拼接、复制粘贴、亮度扰动、几何扰动、尺度扰动或运动模糊增强中的至少一种。

18、上述的装置，可选的，wheataphid-yolov8n模型的训练过程中，数据处理步骤中的小麦蚜虫数据集包括训练集、验证集和测试集；

19、模型训练步骤具体包括：利用训练集对初始小麦幼苗蚜虫识别模型进行训练；利用验证集进行参数调整和模型选择；利用测试集评价模型的检测性能，检测性能包括精确率、召回率、map50、map50-95、参数量、模型大小、计算量和推理速度中的至少一种。

20、上述的装置，可选的，还包括补光模块、电源模块和存储模块；补光模块、存储模块分别与控制模块连接，电源模块分别与微距图像采集模块、补光模块和嵌入式计算模块连接；

21、补光模块用于在微距图像采集模块采集图像时提供补光；

22、电源模块用于向微距图像采集模块、补光模块和嵌入式计算模块供电；

23、存储模块用于保存蚜虫图像、模型文件或蚜虫检测结果。

24、上述的装置，可选的，蚜虫检测结果包括图像编号、采集时间、传感器编号、育苗盘编号、蚜虫数量、检测框坐标和置信度中的至少一种，并以数据包形式上传至服务器，用于目标区域的小麦幼苗生长阶段的虫情存储、统计或预警。

25、一种用于芽草工厂巡检的搭载式蚜虫监测方法，利用上述任一项所述的一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置获得目标区域蚜虫检测结果。

26、一种用于芽草工厂巡检的搭载式蚜虫监测管理系统，包括上述任一项所述的一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置、巡检机器人或滑轨巡检机构以及服务器；服务器用于接收由传感器装置上传的蚜虫检测结果，并按照采集时间、传感器编号、机器人位置或育苗盘编号建立虫情数据记录。

27、经由上述的技术方案可知，与现有技术相比，本发明提供了一种用于芽草工厂巡检的搭载式蚜虫监测传感器装置、监测方法及管理系统，本发明具有以下有益效果：

28、（1）原位真实监测：摒弃传统诱捕类间接监测方式，直接采集芽草工厂小麦幼苗活体蚜虫图像，可真实反馈高密度层架种植场景下植株表面的实时虫口状态，实现蚜虫原位精准监测，解决传统方案监测数据失真、不适配活体植株检测的问题。

29、（2）细粒度抗干扰识别：基于自建小麦蚜虫rgb数据集构建wheataphid-yolov8n专属模型，针对蚜虫微小、背景复杂、易漏检的问题，引入p2高分辨率检测分支、轻量注意力模块、c2fattn细粒度特征提取模块、lightneck轻量化融合结构及bifpn-style多尺度加权融合模块，有效提升复杂背景下微小蚜虫的识别精度。

30、（3）精度轻量化双向优化：通过多模块结构优化，兼顾检测性能与嵌入式部署适配性。消融实验表明，相较于原始yolov8n基线模型，本发明e7_final_stable模型precision由0.92583提升至0.93248，map50由0.95832提升至0.96064，map50-95由0.68713提升至0.69101；同时参数量由3,011,043降至2,441,472，模型体积由6.127 mb压缩至5.758 mb，轻量化优势显著，适配嵌入式终端部署。

31、（4）全流程一体化集成：将微距成像采集、嵌入式智能识别、蚜虫精准计数、云端数据上传功能集成于同一传感器装置，打通监测全链路，解决传统方案作业碎片化问题，实现虫情监测自动化闭环。

32、（5）高适配连续监测：集成化设备可搭载移动、滑轨等各类巡检机器人，适配芽草工厂高密度、层架式、连续化生产场景，可实现全天候无人化持续虫情监测，有效提升工厂虫害监测的智能化与自动化水平。