基于RepGhostConv-Subpixel Fusion-Cascading Attention-Detection (RSCDet)的轻量化模型实现蚜虫实时高效检测

　　为解决农业场景中蚜虫目标细粒度、小尺寸、高密度聚集导致的检测难题，研究人员开发了基于YOLOv7s架构的轻量化深度学习模型RSCDet。该模型通过RepGhostConv和Subpixel Fusion实现网络轻量化，结合SF-CasAM注意力模块提升相似目标识别能力，最终在SMR-2000数据集上实现95.8% mAP（提升2.4%）、345 FPS（提速45%）及模型体积缩减91.5%，为田间嵌入式设备部署提供了高效解决方案。

　　

在农业生产中，蚜虫作为危害谷类作物的主要害虫，每年造成全球高达40%的作物损失。传统人工巡查效率低下，而现有深度学习模型如Faster R-CNN、YOLO系列虽能实现自动化检测，却面临三大瓶颈：蚜虫形态细粒度差异微小（如甘蔗蚜SCA、谷蚜CA、禾谷缢管蚜BCA）、目标尺寸多小于32²
像素，以及密集集群导致的遮挡问题。更关键的是，现有模型参数量普遍超过26.8MB，推理速度不足30 FPS，难以在算力受限的田间设备上实时运行。这一矛盾促使研究者寻求兼顾精度、速度与轻量化的新型检测方案。

中国的研究团队基于YOLOv7s架构，创新性提出RSCDet模型。通过六项核心技术改进——包括RepGhostConv模块训练-推理双态重构、Subpixel Fusion子像素融合通道对齐、SF-CasAM级联注意力机制等，最终在包含2000张图像的SMR-2000数据集上实现突破：mAP达95.8%的同时，模型体积仅1.0MB，在NVIDIA RTX 4090平台推理速度达345 FPS。该成果发表于《Computers and Electronics in Agriculture》，为农业害虫实时监测提供了里程碑式解决方案。

关键技术方法
研究采用多阶段优化策略：1) 数据层面，采集美中两地三种蚜虫图像，通过中心裁剪统一至960×1080等三种分辨率，应用HSV扰动、Mosaic等增强；2) 模型层面，构建RP_ELAN轻量化主干，采用RepGhostConv实现参数复用，Subpixel Fusion模块通过4倍通道融合提升小目标特征保留；3) 损失函数使用Focal-EIoU，通过γ=0.5的IoU加权解决样本不平衡；4) 硬件部署基于PyTorch框架，CUDA 11.3加速。

研究结果

1. 模型轻量化验证：相比基线YOLOv7-tiny，RP_ELAN主干使参数量减少43.9%，FLOPs降低38.9%，mAP反升0.7%至94.1%。
2. 注意力机制优化：SF-CasAM中SAM+NAM双模块在主干网络叠加时效果最佳（A10），mAP提升1.4%且无体积增加。
3. 跨场景测试：在弱光/逆光等复杂光照下，模型对CA识别F1-score保持91%以上，但对强直射光场景mAP下降2.8%。
4. 尺寸适应性：针对占比85.15%的小目标，移除大检测头后AP_0.5
   仍提升2.7%，证明结构优化的有效性。

结论与意义
RSCDet通过三重创新实现突破：1) 计算效率上，RepGhostConv与Subpixel Fusion使模型体积压缩至1MB，适合Jetson Nano等边缘设备；2) 检测性能上，SF-CasAM模块对相似物种（如SCA与BCA）的区分准确率提升2.1%；3) 工程应用上，345 FPS的实时性支持无人机巡田需求。研究同时揭示当前局限：强光照下过曝问题需结合HDR成像技术改进，密集遮挡场景需引入SAHI切片推理策略。该工作为农业物联网中的轻量化AI部署提供了范式，未来可扩展至飞虱、螨虫等微小害虫检测领域。