在现代农业生产中，害虫监测一直是保障农作物健康生长的关键环节。对于茶叶种植而言，害虫的侵扰不仅影响茶叶的产量，更会降低茶叶的品质。然而，传统的害虫监测方法，如人工检查和灯光诱捕，往往面临着效率低下、成本高昂以及难以精准识别等问题。如今，随着人工智能和机器视觉技术的飞速发展，一种全新的害虫监测方法应运而生，为茶叶种植业带来了福音。

研究背景

茶叶作为全球最受欢迎的饮品之一，其种植面积和产量逐年增加。然而，茶园害虫的种类繁多，如Empoasca pirisuga (Matumura), Halyomorpha halys (Stål), Apolygus lucorum (Meyer-Dür) 等，这些害虫体型微小，常隐藏于茶叶之中，通过吸食叶片汁液，导致叶片发黄、卷曲甚至枯萎，严重影响茶叶的产量和品质。传统的害虫监测方法，如人工检查，不仅耗费大量人力物力，而且难以准确识别害虫种类和数量；而灯光诱捕则因设备复杂、成本高昂而难以广泛应用。因此，开发一种高效、精准且低成本的害虫监测方法成为茶叶种植业的迫切需求。近年来，机器视觉技术在农业领域的应用逐渐兴起。通过在田间部署带有摄像头的监测设备，结合深度学习算法，可以实现对害虫的自动识别和计数。然而，目前市场上缺乏针对小型害虫的实时监测设备，同时，可用于害虫检测的开源数据集也极为有限，这严重制约了相关技术的发展。在这种背景下，一项创新性的研究成果应运而生，为茶园害虫监测带来了新的希望。

研究过程与结果

作者在文中提出了一种基于跨领域迁移学习的YOLOv8-FasterTea害虫检测算法，并成功将其应用于新型茶园害虫监测设备中。该研究的核心在于利用自然语言字符领域的数据，通过迁移学习将其应用于茶园害虫检测领域，有效解决了小型害虫检测中的少样本学习问题。

研究人员首先构建了一个高质量的黄色粘虫板害虫数据集TeaPests，包含974张图像，涵盖了多种茶园害虫。为了弥补数据集样本量不足的问题，他们创造性地利用自然语言字符作为源领域数据，生成了大量与害虫图像在特征上具有相似性的字符图像，用于模型的预训练。这种跨领域迁移学习方法，不仅充分利用了字符图像中丰富的特征信息，还有效提升了模型对小型害虫特征的提取能力。

在模型设计方面，研究人员对YOLOv8模型进行了优化，提出了YOLOv8-FasterTea模型。该模型移除了原有的P5层，增加了P2小目标检测层，以增强对小型害虫的检测能力。同时，用更轻量级的Faster Block模块替换了原有的C2f模块，进一步减少了模型的计算量和参数数量，提高了模型的运行效率。

实验结果表明，经过跨领域迁移学习优化后的YOLOv8-FasterTea模型在小样本黄色粘虫板害虫数据集上表现优异。与未使用迁移学习的模型相比，模型的平均精度均值 (mAP@.5) 平均提高了约6%，而模型大小则减少了46.6%。在Pests-100、Pests-200和Pests-300等不同规模的数据集上，使用迁移学习权重的模型在精度、召回率和平均精度均值等指标上均优于未使用迁移学习的模型，充分证明了跨领域迁移学习在提升模型性能方面的有效性。

研究总结

这项研究的创新之处在于，首次将自然语言字符领域的数据与茶园害虫检测任务相结合，通过跨领域迁移学习的方法，有效解决了小型害虫检测中的少样本学习问题。这种创新的迁移学习策略，不仅为害虫检测领域提供了新的思路，也为其他类似的小样本目标检测任务提供了借鉴。此外，YOLOv8-FasterTea模型的提出，进一步优化了害虫检测的性能，使其在保持高精度的同时，具备了更小的模型尺寸和更快的运行速度，为实际应用中的实时监测和设备部署提供了可能。

这项研究不仅在理论上取得了创新性突破，更为茶园害虫监测的实际应用提供了有力支持。通过开发新型的茶园害虫监测设备和优化的检测算法，研究人员成功实现了一种高效、精准且低成本的害虫监测解决方案。这种基于机器视觉和跨领域迁移学习的监测方法，不仅能够实时监测茶园害虫的发生情况，还能够为茶园管理者提供科学的决策依据，助力茶叶种植业的可持续发展。

阅读英文原文：https://www.mdpi.com/3222902

期刊主页：https://www.mdpi.com/journal/agronomy

Agronomy 期刊介绍

主编：Leslie A. Weston, Charles Sturt University, Australia

文章类型包括农学及农业生态学领域的研究型文章及综述，目前已被Science Citation Index Expanded (SCIE) 和Scopus等多个数据库收录。

2023 Impact Factor：3.3  

2023 CiteScore：6.2

Time to First Decision：17.6 Days

Acceptance to Publication：2.4 Days