基于 CSP–Swin Transformer 与双向融合的 DETR 农业病虫害目标检测方法

doi:10.19754/j.nyyjs.20260630007

农业与技术 ›› 2026, Vol. 46 ›› Issue (6): 34-38.DOI: 10.19754/j.nyyjs.20260630007

• 农业科学 • 上一篇

基于 CSP–Swin Transformer 与双向融合的 DETR 农业病虫害目标检测方法

尚游杜志华李益张正艳蒋泽修徐国徐路路

黔西南州农业农村局，兴义 562400

出版日期:2026-06-30 发布日期:2026-06-30
作者简介:尚游 (1998-)，女，硕士，农艺师。研究方向：农业病虫害检测，植物保护；通信作者杜志华 (1985-)，男，本科，高级农艺师。研究方向：农业病虫害检测，植物保护。
基金资助:
贵州省农业农村厅基金项目（项目编号：MCHC-DZ-ZG20241079-T-10）

Online:2026-06-30 Published:2026-06-30

摘要/Abstract

摘要： 针对农业病虫害检测中精度与效率难以兼顾的问题，本文在 DETR 模型基础上进行改进，引入 CSP 网络与线性窗口 Transformer 实现局部特征分流，减少约 30% 计算量；结合 Swin Transformer 层级结构与移位窗口机制，增强多尺度特征表达能力；采用 FPN 加 PAN 双向特征融合及无锚框检测头，提高语义与定位精度，并避免对象查询随机初始化的不稳定性。在 AgriPest 数据集上的实验表明，该方法 mAP@0.5:0.95 达 72.0%，mAP@50 达 93.3%，精确率 91.0%，召回率 87.7%；相比原 DETR 模型，mAP 提升超过 8%，检测速度（FPS）提升约 100%。研究有效平衡了检测精度与速度，为农业病虫害智能监测的实际部署提供了可行方案。

中图分类号:

. 基于 CSP–Swin Transformer 与双向融合的 DETR 农业病虫害目标检测方法[J]. 农业与技术, 2026, 46(6): 34-38.

参考文献

[1] 刘万才，秦萌，杨晓欣，等. 我国植物保护工作面临的形势与对策 [J]. 中国植保导刊，2025，45（10）：21-28. [2] 宋芝文，李伟，谭伟，等. 基于 YOLO V4-TLite 的移动端君子兰病虫害检测方法 [J]. 农业工程学报，2025，41（05）：175-181. [3] 尚钰莹，张倩如，宋怀波. 基于 YOLOv5s 的深度学习在自然场景苹果花朵检测中的应用 [J]. 农业工程学报, 2022, 38(09): 222-229. [4] 刘鹏, 张天翼, 冉鑫, 等. 基于 PBM-YOLOv8 的水稻病虫害检测. 农业工程学报 [J]. 2024, 40(20): 147-156. [5] Tsung-Yi L, Priya G, Ross G, et al. Focal Loss for Dense Object Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(2): 318-327. [6] 邢伟寅, 李雄, 钟乐海, 等. 改进 RetinaNet 的农作物病虫害检测模型研究 [J]. 四川农业大学学报, 2023, 41(01): 153-157, 184. [7] Carion N, Massa F, Synnaeve G, et al. End-to-end object detection with transformers [C]. European Conference on Computer Vision. Cham: Springer International Publishing, 2020: 213-229. [8] Zhao H Z, Ting F J, Jian J, et al. Re-DETR: Research on Fast Detection Technology for Railway Engineering Targets in the Dark Time Domain [C]. IEEE Access, 2024, 12: 175501-175510. [9] Song H, Huang X, Wang Z, et al. ADAM-DETR: an intelligent rice disease detection method based on adaptive multi-scale feature fusion [J]. Plant Methods, 2025, 21(1): 108. [10] 王海瑞, 胡灿, 朱贵富, 等. 基于改进 RT-DETR 的葡萄叶片病害检测 [J]. 湖南农业大学学报(自然科学版), 2025, 51(04): 117-124. [11] Wang R, Liu L, Xie C, et al. Agriprest: A large-scale domain-specific benchmark dataset for practical agricultural pest detection in the wild [J]. Sensors, 2021, 21(5): 1601. [12] Law H, Deng J. CornerNet: Detecting Objects as Paired Keypoints [J]. International Journal of Computer Vision, 2020, 128(2): 642-656. [13] Zhou X, Zhuo J, Krahenbühl P. Bottom-up Object Detection by Grouping Extreme and Center Points [C]. In CVPR, 2019. [14] Zhu X, Su W, Lu L, et al. Deformable DETR: Deformable Transformers for End-to-End Object Detection [C]. International Conference on Learning Representations, 2021.

[1]	. 南宁地区通过广西审定水稻品种特征分析[J]. 农业与技术, 2026, 46(6): 1-5.
[2]	. 干旱胁迫对牛膝菊子代种子萌发及生长的影响[J]. 农业与技术, 2026, 46(6): 6-9.
[3]	. 基于遥感的水稻种植空间分布信息提取方法的研究[J]. 农业与技术, 2026, 46(6): 17-22.
[4]	. 超高效液相色谱串联质谱法快速测定火炬树中对羟基苯甲醛[J]. 农业与技术, 2026, 46(6): 23-28.
[5]	. 油茶壳有机肥与复合肥配施对油茶果产量及品质的影响[J]. 农业与技术, 2026, 46(6): 29-33.
[6]	. 玉竹茎秆纳米纤维素制备工艺优化[J]. 农业与技术, 2026, 46(5): 7-13.
[7]	. 响应面优化酶辅助超声提取红豆越橘花色苷工艺[J]. 农业与技术, 2026, 46(5): 14-20.
[8]	. 基于 GARP 和 MAXENT 模型的南美斑潜蝇在中国适生区的预测[J]. 农业与技术, 2026, 46(5): 29-34.
[9]	. 魔芋不同栽培模式的比较与评价分析[J]. 农业与技术, 2026, 46(5): 35-40.
[10]	. 山东平邑金银花种植区土壤重金属元素地球化学特征及质量评价[J]. 农业与技术, 2026, 46(5): 154-159.
[11]	. 三系杂交稻新组合河香优1798的选育及特性分析[J]. 农业与技术, 2026, 46(4): 6-10.
[12]	. 新型橘皮精油高效提取与生物活性研究[J]. 农业与技术, 2026, 46(4): 11-15.
[13]	. 荷花腐败病抗病品种引进筛选及评价[J]. 农业与技术, 2026, 46(4): 16-21.
[14]	. 不同施肥处理对三饶香稻产量的影响[J]. 农业与技术, 2026, 46(4): 22-24.
[15]	. 肥料中腐植酸的应用研究及检验方法对比分析[J]. 农业与技术, 2026, 46(4): 25-29.

基于 CSP–Swin Transformer 与双向融合的 DETR 农业病虫害目标检测方法

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics