计算机工程与应用

作者：刘江涛, 周刚, 刘浩南, 王佳佳, 贾振红

单位：新疆大学 计算机科学与技术学院，乌鲁木齐 830046；

关键词：智慧农业,害虫检测,小目标,多尺寸

基金：国家科技部重大科技创新项目（2022ZD0115802）；国家自然科学基金（62166040）；新疆维吾尔自治区天山英才科技创新团队项目（2023TSYCTD）。

棉花生长过程中受到害虫严重危害，因此精准的害虫检测已成为智慧农业体系中的关键环节。其中大量棉田害虫属于小目标，特征提取困难，而且害虫个体之间存在显著的尺寸差异，这限制了现有目标检测算法的性能。提出了一种结合离散小波变换与Transformer的YOLO11目标检测算法——WTNet-YOLO（wavelet and Transformer network-YOLO）。融合部分卷积与多尺度深度卷积构建C3K2-MKPF模块，增强对多尺寸目标的特征提取能力。在颈部结合小波域融合模块（wavelet domain fusion module，WDFM）和跨阶段部分局部和全局模块（cross stage partial local and global block，CSP-LGB），提升各尺寸害虫的频域信息表达与全局信息定位。引入多尺度自适应空间注意门（multi-scale adaptive spatial attention gate，MASAG），动态融合主干与颈部的跨层特征，强化空间与语义信息表达。为验证相关方法，构建了一个棉田害虫数据集YST-PestCotton（yellow sticky trap pest dataset in cotton），涵盖多个尺寸范围的害虫，具有显著的尺度多样性，害虫像素面积最大可相差1?200多倍。实验表明，在YST-PestCotton上mAP50提升了3.1个百分点，同时将害虫按目标框面积划分为0~256、256~512、512~1?024和大于1?024四个子集，mAP50分别提升2.4、1.3、1.5、3个百分点。在公开数据集Yellow sticky traps上mAP50达到了最高的95.3%。综合来看，WTNet-YOLO能够有效应对小目标内部的尺寸差异，同时兼顾不同尺寸害虫的检测需求。

来源：2026年第3期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第3期