煙草倉儲害蟲性誘智能監測系統設計與實現

摘要

為了實時智能監測煙草倉儲害蟲， 設計并實現了煙草倉儲害蟲性誘智能監測系統。該系統由基于機器視覺的智能性誘捕器、性誘害蟲識別模型、服務器和Web端系統平臺組成。智能性誘捕器通過性誘劑將害蟲誘集至粘蟲板， 機器視覺模塊每天定時采集一幅粘蟲板圖像， 并通過4G網絡將圖像上傳至服務器。服務器接收到圖像后調用性誘害蟲識別模型進行害蟲的檢測與識別， 并將檢測結果返回到Web客戶端。用戶可通過系統平臺Web端查看誘集的害蟲圖像和數量。針對粘蟲板圖像上的性誘害蟲煙草甲Lasioderma serricorne和煙草粉螟Ephestia elutella， 建立了YOLOX-TP識別模型， 在YOLOX的基礎上添加了SEnet注意力機制。與Faster-RCNN、YOLOv4、YOLOX檢測模型相比， YOLOX-TP平均精確率和平均召回率最高， 達到98.97%和97.12%。煙草倉儲害蟲性誘智能監測系統實現了煙草性誘害蟲圖像的定時采集、害蟲準確檢測與計數、結果可視化和可追溯， 為煙草倉儲害蟲防治決策提供依據。

關鍵詞

煙草倉儲害蟲;" 智能性誘捕器;" 煙草甲;" 煙草粉螟;" 害蟲圖像;" YOLOX-TP模型

中圖分類號：

S 379.5; TP 274; TP 183

文獻標識碼：" A

DOI：" 10.16688/j.zwbh.2024048

收稿日期：" 20240130""" 修訂日期：" 20240325

基金項目：

浙江省科技計劃（2022C02004）

致" 謝：" 參加本試驗部分工作的還有江代禮、譚翰杰、張能和紀燁斌等同學，特此一并致謝。

* 通信作者

E-mail：

q-yao@zstu.edu.cn

#

為并列第一作者

Design and implementation of an intelligent monitoring system for tobacco storage pests trapped by sex pheromone

LUO Haolun1，" LI Guozhi1，" YOU Yanchen1，" LI Bin2，" L Jun1，" LI Wendong3，" YAO Qing4*

（1. School of Information Science and Engineering， Zhejiang Sci-Tech University， Hangzhou" 310018， China;

2. Guizhou Aerospace Intelligent Agriculture Co.， Ltd.， Guiyang" 550000， China; 3. Agricultural Information

Center of Changchun City， Jilin Province， Changchun" 130051， China; 4. School of Computer

Science and Technology， Zhejiang Sci-Tech University， Hangzhou" 310018， China）

Abstract

For automatically monitoring tobacco storage pests in real-time， an intelligent monitoring system was designed and implemented. The system consists of a machine vision-based intelligent sex pheromone trap， a pest identification model， a server， and a Web-based platform. The intelligent trap attracts pests to a sticky board using sex pheromones， and the machine vision module captures an image of the sticky board at regular intervals every day. The image is then uploaded to the server via a 4G network. Once the server receives the image， it uses the pest identification model to detect and recognize the pests in the image， and returns the results to the network client. Users can view the images and quantities of trapped pests through the network platform. For accurately identifying the Lasioderma serricorne and Ephestia elutella on the sticky board images， a YOLOX-TP recognition model was developed， which incorporates the SEnet attention mechanism into the YOLOX framework. Compared with Faster-RCNN， YOLOv4， and YOLOX models， YOLOX-TP achieved the highest average precision and recall rates， reaching 98.97% and 97.12%， respectively. The intelligent monitoring system for tobacco storage pests achieves real-time image acquisition， accurate pest detection and counting， result visualization， and data traceability， providing a basis for decision-making in the monitoring and controlling tobacco storage pests.

Key words

tobacco storage pests;" intelligent trap based on sex pheromone;" Lasioderma serricorne;" Ephestia elutella;" pest images;" YOLOX-TP model

中國是全世界最大的煙草生產國與消費國，全球35%的煙草產出和32%的煙草銷售均在我國［1］。煙草行業正迅速發展，連續多年的稅收超過萬億，成為國家財政的支柱產業，其經濟效益逐年增加。然而，我國每年因煙草倉儲害蟲為害損失的煙草占全國倉儲總量的1.64%［1］，帶來巨大的經濟損失。此外，蟲尸和蟲糞的污染也會影響煙草原料，對成品卷煙的風味產生不良影響。我國煙倉中常見的害蟲有30多種，主要有煙草甲Lasioderma serricorne、煙草粉螟Ephestia elutella、大谷盜Tenebroides mauritanicus、玉米象Sitophilus zeamais、赤擬谷盜Tribolium castaneum等，其中，煙草甲和煙草粉螟是煙草業最常見和為害最嚴重的2種倉儲害蟲，占總蟲量的90%以上［23］。害蟲數量監控是防控害蟲的前提，廣泛應用于農業、食品安全、植物保護等領域［48］。為了減少煙草倉儲害蟲的為害并確保煙草品質，一些學者致力于研究如何監測煙草倉儲害蟲［914］。

煙草倉儲害蟲因其體小且隱蔽性強，常采用人工抽檢、性誘和光誘等方法進行蟲情監測［15］。這些設備誘集到害蟲后需要煙農或煙技員定期進行人工鑒定與計數。當蟲情達到防治指標時，采取熏蒸等措施進行殺蟲［16］。這種人工鑒定與計數害蟲的方式實時性差、效率低、數據難以追溯。

研發倉儲害蟲智能監測系統以及基于圖像的倉儲害蟲識別算法成為當前研究的熱點［1721］。鐘維［17］在實驗室環境下拍攝煙草害蟲圖像，采用迭代閾值分割算法分割出單頭煙草害蟲，用SIFT、SURF、ORB特征算法提取了煙草害蟲圖像的特征，并采用了改進的KD-樹最近鄰查詢算法來匹配特征點，成功實現了對煙青蟲Helicoverpa assulta、煙綠蝽Nesidiocoris tenuis、煙草甲、天蛾Sphingidae、黃曲條跳甲Phyllotreta striolata等煙草害蟲圖像的配準識別。周繼來［18］使用工業相機拍攝性誘捕器捕獲的煙草甲，采用SVM算法實現了煙草甲的實時監測。孫艘［19］設計了一種自動蟲情監測系統，該系統采用了性信息素、黑光燈誘集煙草甲，通過粘蟲板捕獲煙草甲，并采集圖像，通過提取圖像中煙草甲的形狀、顏色和紋理等特征進行顯著性分析，然后利用形態學處理方法來實現煙草甲的自動識別，準確率達99%。但該系統是在實驗室環境下搭建，實際工作環境下存在灰塵、煙葉等雜質，誘集到的煙草甲存在粘連遮擋等問題，這些均影響識別結果。楊光露等［20］為實現卷煙廠煙草甲的精確監測，通過手機和智能相機對卷煙廠內放置的煙草甲引誘劑誘捕器進行拍照獲取粘蟲板上煙草甲圖像，使用CenterNet模型檢測煙草甲，準確率達94%。張寶等［21］設計了一個基于卷積神經網絡的煙草甲智能監測系統，該系統包括硬件設計、算法設計與軟件設計3個部分，使用放置性信息素的煙草甲誘捕器誘捕煙草甲并進行數據采集，通過攝像頭拍攝圖像，并采用改進的CascadeR-CNN深度卷積網絡實現了對煙草甲的目標檢測，其準確率達97.4%。上述研究利用煙草甲的性信息素和趨光性對煙草甲進行誘捕和圖像識別，從而實現了煙草甲的智能監測。

以上研究大多只針對煙草甲進行實時性誘監測，未見同時監測煙草甲與煙草粉螟的相關研究。煙草甲和煙草粉螟是煙草業最常見且為害最嚴重的2種倉儲害蟲。煙草甲屬于鞘翅目竊蠹科Anobiidae，體長2～3 mm，體色褐色或赤褐色;煙草粉螟屬于鱗翅目螟蛾科Pyralidae，體長5～7 mm，體色灰白色。雖然這2種害蟲屬于不同目，但它們均通過性信息素吸引異性，實現交配繁殖后代。煙草甲和煙草粉螟的性信息素化學結構存在顯著差異［22］，前期試驗研究結果表明，將2種性誘劑放在一起并沒有觀察到明顯的相互干擾和對誘集數量的影響，因此本研究利用1個性誘捕器同時放置2種性誘劑來誘集和監測這2種害蟲。為實時精準智能監測煙草倉儲性誘害蟲煙草甲和煙草粉螟，設計并搭建了一套煙草倉儲害蟲性誘智能監測系統。

1" 材料與方法

1.1" 煙草倉儲害蟲性誘智能監測系統框架

煙草倉儲害蟲性誘智能監測系統旨在通過集成機器視覺、深度學習、物聯網技術，實現對倉儲害蟲的實時、高效和智能監測。本系統的設計理念是以用戶為中心，提升監測數據的實時性和準確性，同時減輕人工監測的負擔。煙草倉儲害蟲性誘智能監測系統主要由基于機器視覺的智能性誘捕器、性誘害蟲識別模型、服務器和Web端系統平臺組成。性誘捕器通過害蟲性誘劑誘集害蟲至粘蟲板，機器視覺模塊每天采集粘蟲板圖像，并通過4G網絡將圖像上傳至服務器。服務器接收到圖像后調用性誘害蟲識別模型進行害蟲的檢測與識別，并將檢測結果返回到Web客戶端。用戶可通過系統平臺Web端查看害蟲誘集的信息。若一周誘捕到害蟲數量超過30頭則進行害蟲預警，通過移動設備通知相關人員，這種主動預警方式有助于及時有效的害蟲防控決策，減少經濟損失。系統整體框架如圖1所示。

1.2" 基于機器視覺的智能性誘捕器

智能性誘捕器由工業相機、面光源、粘蟲板和性誘劑組成。性誘劑置于粘蟲板上， 煙草甲和煙草粉螟被誘集到粘蟲板， 相機每天定時拍攝一幅粘蟲板圖像， 隨后使用其內置的4G模塊將照片傳輸到服務器端。智能性誘捕器如圖2所示。具體的硬件包括：

1）工業相機： 選用?？低曋圃斓腗V-CE200-10GC工業相機作為拍攝相機。該相機采用Sony的IMX183傳感器， 拍攝時噪點低， 成像質量優異， 每天定時拍攝一幅圖像后上傳至服務器端。

2）面光源： 選取今視光電科技的開孔側面導光源JS-CBL-290-200-K35作為拍攝光源。其輸入電壓為24 V， 輸出最高功率可達16.8 W， 光照柔和且均勻， 有利于性誘害蟲圖像的采集。

3）粘蟲板和性誘劑： 在粘蟲板上放置煙草甲和煙草粉螟2種性誘劑， 散發的性信息素之間互不干擾能夠引誘煙草粉斑螟和煙草甲成蟲進入誘蟲區域后， 被粘蟲板上的粘膠捕獲固定。

1.3 "圖像采集與數據集建立

2022年1月－12月將2臺煙草倉儲害蟲智能性誘捕器置于400 m2的煙草倉庫中， 共采集含有煙草甲和煙草粉螟害蟲（圖3）圖像共411幅， 每幅圖像大小為2 560×1 440像素（圖4）。使用LabelImg標注工具對這些訓練圖像進行害蟲標定，將標注區域的分類信息和坐標信息保存在相應的XML文件中。按照8∶2的比例將煙草倉儲性誘害蟲數據集隨機劃分為訓練集和測試集， 具體信息如表1所示。

1.4 "煙草倉儲性誘害蟲檢測模型網絡結構

YOLOX［26］是YOLO系列的一個版本，引入的CSP結構降低了計算和內存成本，在主干網絡中引入橫向連接，有助于捕捉多尺度特征，這對于小目標檢測和密集目標檢測等任務尤其有效。根據網絡的寬度和深度劃分為YOLOX-s、YOLOX-m、YOLOX-l和YOLOX-x。

當害蟲發生高峰期或者粘板放置時間較長，害蟲會出現粘連或部分遮擋，煙草粉螟顏色變淡等現象，且煙草甲蟲體較小，本研究在YOLOX-l的基礎上，提出了煙草倉儲性誘害蟲檢測模型YOLOX-TP，如圖5所示。YOLOX-TP模型由預測模塊和檢測

框抑制模塊組成。首先，將輸入圖片分辨率調整為640×640像素，并經過CSPDarknet進行特征提取，獲得3個有效特征層。在YOLOX的基礎上引入了squeeze-and-excitation network注意力機制模塊［23］，以提高網絡的表示能力。然后，將處理后的3個有效特征層輸入FPN進行上采樣和下采樣，以實現特征融合。通過YOLOHead對特征點進行判斷，確定是否存在目標，并確定其對應的目標框類別和位置，生成目標檢測框。通過類內、內間、閾值過濾等檢測框抑制方法去除冗余檢測框，最終得到圖中煙草甲和煙草粉螟的數量，實現計數功能。

由于煙草倉儲性誘害蟲體型較小，每頭害蟲在圖像中面積占比較小，較深的特征圖很難學習到小目標的特征信息。為了提高小目標的檢測效果，通過深入分析煙草倉儲性誘害蟲的特征和檢測需求，對骨干網絡進行了調整和改進，以更好地適應小目標害蟲的檢測。在YOLOX-TP中引入了FPN，通過添加多尺度的特征金字塔，增強了模型對不同尺寸目標的檢測能力。通過對數據集進行分析，調整了Anchor大小，使其更好地匹配煙草倉儲性誘害蟲的尺寸分布，提高了檢測的準確性。在YOLOX-TP中引入了SEnet注意力機制［23］，

如圖6所示。SEnet通過學習各通道的權重，實現了對重要特征的選擇性增強和對不重要特征的有效抑制，從而優化了特征表示，具體過程如下。輸入特征圖經過卷積層Ftr處理后，其尺寸變為c2×h×w，隨后通過全局平均池化層Fsq將每個通道的空間信息壓縮成單一數值，得到尺寸為c2×1×1的全局特征描述z，對于z中第c個通道的權重按照公式（1）計算。接著，通過前饋網絡Fex，調整并生成權重參數W，用以衡量各通道的重要性，進而得到整個通道的重要性權重向量s，如公式（2）所示。最終，原始特征圖與每個通道的權重s通過Fscale得到優化后的特征表示x～，對于x～中第c個通道的特征表示按照公式（3）計算。SEnet通過這種通道注意力機制，顯著提升了網絡對圖像全局信息的理解能力，尤其是在小目標檢測任務中，有效提高了模型的效率和泛化能力。

zc=Fsq（xc）=1h×w∑hi=1∑hi=1xc（i，j）（1）

s=Fex（z，W）=δ（g（z，W））=δ（w2ReL∪（w1，z））

（2）

x～c=Fscale（xc，sc）=sc·xc

（3）

其中，xc是輸入特征圖中的第c個通道，h和w分別是特征圖的高度和寬度，z是通過全局平均池化得到的每個通道的描述符，表示每個通道的全局信息，w1和w2是前饋網絡中全連接層的權重矩陣，ReLU是激活函數，δ是Sigmoid函數，用來將輸出限制在［0，1］區間內，sc是通過Fex計算出的第c個通道權重，是經過加權后的第c個通道的特征表示。

1.5" 評價方法

為了客觀地評價本文提出的煙草倉儲性誘害蟲識別模型的檢測效果，使用精確率（precision， P）、召回率（recall， R）、F1作為評價指標。其中，精確率表示在

所有被分類為目標害蟲的樣本中，被正確識

別的害蟲數量所占的比例， 召回率表示在所有目標害蟲中， 被正確識別的害蟲數量所占的比例。F1為二者的綜合評價， 其計算公式如下：

P（k）=TP（k）TP（k）+FP（k）

（4）

R（k）=TP（k）TP（k）+FN（k）

（5）

F1（k）=2×P（k）×R（k）P（k）+R（k）

（6）

式中，TP（k）表示第k類害蟲被正確識別的害蟲數量， FP（k）表示干擾害蟲被誤判為第k類害蟲的數量，FN（k）表示第k類害蟲被識別為非k類害蟲的數量。

1.6" 系統平臺的搭建與部署

煙草倉儲害蟲性誘智能監測系統軟件部分由服務器、Web端、性誘害蟲識別模型組成。

1.6.1" 服務器端搭建

服務器主要功能包括接受并保存智能性誘捕器上傳的性誘害蟲圖像、與Web端進行信息的交互、數據庫信息的增刪改查操作， 以及性誘害蟲識別模型的調用。具體實現方式如圖7所示。

煙草倉儲害蟲智能性誘捕器在采集圖像后，將其上傳至服務器，隨后調用YOLOX-TP模型執行圖像檢測，檢測結果以JSON格式返回，并在數據庫中進行備份。在需要展示圖像識別結果時，服務器從數據庫中檢索結果并將其返回。并通過HTTP協議完成Web端向服務器傳輸數據的過程。服務器端接受來自Web端的POST和GET請求，解析后將POST請求中的信息存儲，從數據庫中檢索GET請求所需的數據并返回給Web端。系統采用Python編寫，基于Django框架構建了算法服務端。采用了MySQL數據庫來實現包括倉儲性誘害蟲圖像、用戶管理、模型識別、數據分析、設備管理以及歷史識別結果。作為一種關系型數據庫，MySQL的特性確保了系統能夠滿足實時性和可追溯性的需求。

1.6.2" 系統部署

模型與服務器端部署在具有Linux Ubuntu操作系統的服務器上。使用花生殼進行內網穿透，確保外部設備可以訪問服務器，完成IP和端口號等配置，將主程序文件上傳至服務器，以便進行后續的部署操作。在服務器環境中，進行了Django程序的部署、MySQL數據庫的配置以及顯卡驅動的安裝等操作。服務器參數如表2所示。

2" 結果與分析

2.1" 模型檢測結果與分析

使用相同數據集訓練Faster-RCNN［24］，YOLOv4［25］，YOLOX-s、YOLOX-m、YOLOX-l和YOLOX-x［26］和改進模型YOLOX-TP，在同一個測試集上進行測試。

由表3可知，YOLOX-l和YOLOX-x有著相似的精確率，而YOLOX-x是YOLOX系列中最大的模型需要更多的計算資源，考慮到精度和速度之間的平衡，YOLOX-l對煙草倉儲性誘害蟲識別精確率和召回率最高，選擇該網絡結構進行害蟲檢測。

YOLOX-TP檢測模型對目標害蟲的精確率和召回率都優于其他模型，煙草甲與煙草粉螟的精確率分別為99.2%、98.74%，召回率分別為97.07%，97.17%。相較于改進前的YOLOX-1精確率提高了5.01，0.87百分點，召回率提高了10.81，0.89百分點。

圖7展示了不同模型對一幅含有46頭煙草甲和47頭煙草粉螟的目標害蟲檢測結果圖。從圖中可以

看到，Faster-RCNN共檢測出35頭煙草甲和44頭煙草粉螟，漏檢11頭煙草甲和3頭煙草粉螟。YOLOv4共檢測出37頭煙草甲和45頭煙草粉螟，漏檢9頭煙草甲和2頭煙草粉螟。YOLOX-1共檢

測出41頭煙草甲和46頭煙草粉螟，漏檢5頭煙草甲和1頭煙草粉螟。YOLOX-TP共檢測出45頭煙

草甲和46頭煙草粉螟，漏檢1頭煙草甲和1頭煙草粉螟，主要是因為害蟲嚴重粘連造成的。本文建立的煙草倉儲性誘害蟲自動識別模型YOLOX-TP能正確檢測出絕大部分的煙草甲和煙草粉螟，準確反映出2種倉儲害蟲發生量的變化，可應用于煙草倉儲性誘害蟲的智能監測。

2.2" 系統平臺展示

煙草倉儲害蟲性誘智能監測系統Web端主要包括用戶登錄、煙草倉儲性誘害蟲圖像識別結果圖、數據分析等功能。

2.2.1" 害蟲檢測結果圖

用戶可以通過平臺選擇地區及設備，查看一定時間范圍內的煙草甲和煙草粉螟檢測結果圖，可以看到每日煙草甲和煙草粉螟的增加量，如圖9所示。

2.2.2" 害蟲數據分析

數據分析頁面展示了用戶選擇的某一段時間內煙草甲和煙草粉螟每日誘集數折線圖和表格，該功能不僅幫助用戶更好地監測和防控煙草害蟲，還具有害

蟲預警系統。當害蟲的周誘捕數量超過30頭，預警

系統將自動通知用戶，以便在蟲情達到防治指標時，用戶可以及時采取適當的措施，從而實現及時的害蟲管理決策，改善煙草倉儲害蟲的控制工作。

3" 結論

為了實現對煙草倉儲害蟲煙草甲和煙草粉螟的智能實時監測，利用機器視覺、物聯網和深度學習技術進行害蟲圖像采集與模型識別與計數，并建立了煙草倉儲害蟲性誘智能監測系統。該系統由基于機器視覺的智能性誘捕器、性誘害蟲識別模型、服務器和Web端系統平臺組成。

針對煙草倉儲害蟲目標樣本小且存在粘連遮擋問題，建立了YOLOX-TP模型，在YOLOX基礎上融入了SEnet通道注意力機制。提高了對煙草甲這一小目標的識別效果。與Faster-RCNN、YOLOv4、YOLOX-l檢測模型比較，改進的YOLOX-TP模型對煙草甲和煙草粉螟的識別精確率分別達99.20%、98.74%，召回率分別達97.07%，97.17%。

煙草倉儲害蟲性誘智能監測系統可及時準確地提供煙草甲和煙草粉螟的每日發生量，煙草倉儲管理者可以根據數據及時采取害蟲防治措施，從而提高煙草產品的質量。本研究也可為其他倉儲害蟲實時在線監測提供技術參考。

參考文獻

［1］" 邱睿， 王海濤， 李成軍， 等. 煙草病蟲害綠色防控技術研究進展［J］. 河南農業科學， 2016， 45（11）： 813.

［2］" 李華. 煙葉倉儲害蟲的發生與防治現狀［J］. 耕作與栽培， 2009， 29（6）： 34.

［3］" 馬顯滔， 陳明， 劉亞琴， 等. 非密閉煙葉倉庫煙草粉螟不同防治方法的防效［J］. 農技服務， 2023， 40（9）： 5559.

［4］" 葛文杰， 趙春江. 農業物聯網研究與應用現狀及發展對策研究［J］.農業機械學報， 2014， 45（7）： 222230.

［5］" CHOWDHURY R， RAHMAN C， PREETOM S， et al. Identification and recognition of rice diseases and pests using convolutional neural networks ［J］. Biosystems Engineering， 2020， 194（6）： 112120.

［6］" DEVARE J， HAJARE N. A survey on ioT based agricultural crop growth monitoring and quality control ［C］∥International conference on communication and electronics systems （ICCES）， 2019： 16241630.

［7］" JIANG Honghua， ZHANG Chuanyin， QIAO Yongliang， et al. CNN feature based graph convolutional network for weed and crop recognition in smart farming ［J］. Computers and Electronics in Agriculture， 2020， 174： 16891699.

［8］" LIU Yang， LIU Shuangqing， LIANG Yanpo， et al. Population dynamics of main tobacco pests in the field and management suggestions ［J］. International Journal of Pest Management， 2020， 66（1）： 4447.

［9］" 李石力， 李志偉， 何孝兵， 等. 煙草夜蛾科類害蟲發生特點和防治技術［J］. 植物醫生， 2015， 28（6）： 4243.

［10］彭孟祥， 王建文， 李建勇， 等. 煙草主要蟲害防治措施研究進展［J］. 現代農業科技， 2019 （9）： 112114.

［11］李朝暉， 許僑， 蔡京偉， 等. 煙草甲的防治研究進展［J］. 江蘇農業科學， 2021， 49（7）： 3343.

［12］許子彬， 薛敏， 莫菊， 等. 倉儲糧害蟲防治研究進展［J］. 糧食科技與經濟， 2021， 46（6）： 7275.

［13］曾濤， 宗釗輝， 陳楨祿， 等. 煙草害蟲綠色防控技術研究進展［J］. 安徽農業科學， 2022， 50（1）： 1517.

［14］徐慶， 董凌峰， 鮮明， 等. 基于視覺識別技術的煙草蟲害監控系統設計［J］. 中國新技術新產品， 2023， 3（13）： 1317.

［15］呂建華， 馬丹， 蘇新宏， 等. 三種非化學防治方法對煙草甲的控制作用［J］. 中國煙草科學， 2016， 37（5）： 4750.

［16］伍長春， 黃萍， 薛卓聯， 等. 磷化鋁、溴甲烷熏蒸處理和熱處理對陳皮倉儲害蟲的殺滅效果［J］. 生物災害科學， 2017， 40（4）： 280283.

［17］鐘維. 基于改進ORB算法對煙草蟲害圖像配準技術的研究［D］. 長沙： 湖南師范大學， 2015.

［18］周繼來. 基于AI圖像識別的煙草制品蟲情監測系統的設計與實現［J］. 電子技術與軟件工程， 2020， 9（17）： 154155.

［19］孫艘. 煙草蟲情圖像采集與監測系統研究［D］. 武漢： 華中科技大學， 2017.

［20］楊光露， 李春松， 李愿軍， 等. 基于CenterNet模型的煙草甲蟲視覺檢測方法設計［J］. 中國煙草學報， 2022， 28（6）： 7784.

［21］張寶， 胡偉， 陳禹伶， 等. 基于卷積神經網絡的煙草甲蟲智能監測系統設計［J］. 制造業自動化， 2022， 44（10）： 1520.

［22］臧云. 烯蟲酯和LED燈對煙草甲和煙草粉螟的控制效果及其機理研究［D］. 北京： 中國農業科學院， 2021.

［23］HU Jie， SHEN Li， SUN Gang， et al. Squeeze-and-excitation networks ［J］. SAO/NASA Astrophysics Data System， 2017， 9（12）： 15071519.

［24］WANG Ru， JIAO Lin， XIE Chengjun， et al. S-RPN： Sampling-balanced region proposal network for small crop pest detection ［J］. Computers and Electronics in Agriculture， 2021， 187： 106290106312.

［25］ZHU Qinfeng， ZHENG Huifen， WANG Yuebing， t al. Study on the evaluation method of sound phase cloud maps based on an improved YOLOv4 algorithm ［J］. Sensors， 2020， 20（15）： 43134330.

［26］ZHENG Ge， LIU Songtao， WANG Feng， et al. YOLOX： Exceeding YOLO series in 2021 ［EB/OL］. （20210806） ［20240130］. https：∥ui.adsabs.harvard.edu/abs/2021arXiv210708430G.

（責任編輯：楊明麗）