News & Featured Articles

浙江理工大学姚青教授团队：基于视觉基础模型与自监督学习的小样本驱动的大规模灯诱昆虫图像数据集构建方法

• 实时准确的害虫监测是实现害虫精准防控与保障粮食安全的基础。我国应用广泛的智能虫情测报灯积累了海量灯诱昆虫图像，但昆虫种类多、尺度差异大，面临类间相似度高、类内差异大及小目标检测困难等挑战。深度学习检测模型依赖大规模高质量标注数据，人工标注成本高、效率低、周期长，制约了害虫识别性能的提升。

  近期，浙江理工大学计算机科学与技术学院姚青教授团队完成的题为“Few-shot driven construction method of a large-scale light-trapped insect annotation data based on vision foundation models and self-supervised learning”的研究在Journal of Integrative Agriculture（《农业科学学报（英文）》，JIA）2026年7期发表。该研究提出了一种面向大规模灯诱昆虫图像数据集的智能标注算法，提高了灯诱昆虫图像数据集构建效率和降低人工标注昆虫工作量。

  该算法采用先检测后分类的两阶段标注框架（图1）。首先，针对图像中大小虫特征尺度与感受野需求差异大，基于Grounding DINO微调的灯诱昆虫检测器基础上，结合SAM与SAHI方法，提出了通用多尺度灯诱昆虫检测器MLTIDD（图2），实现了不同尺度的大小虫目标检测。Fig. 1  Intelligent annotation pipeline of light-trapped insect imagesFig. 2  Workflow of multi-scale light-trapped insect-DINO detector然后，针对MLTIDD检测得到的海量无标签昆虫子图，在iBOT的基础上提出一种改进的自监督表征学习方法InsectSSRL（图3），通过将自监督学习中的全局特征匹配、遮挡区域块特征预测与区域块特征匹配这三种代理任务相结合，提高特征提取网络对昆虫目标子图的特征表示能力，并且使其具有优异的小样本学习能力与泛化性。
  Fig. 3  Overview of InsectSSRL framework接着，采用该特征提取网络训练昆虫分类模型，对由MLTIDD检测得到的昆虫目标子图进行预分类。
  最后，经过专家鉴定与确认后，将其回溯到原图实现灯诱昆虫数据集的标注工作。该研究提出的灯诱昆虫智能标注方法可显著降低人工标注成本，加速灯诱昆虫数据集的构建进程，有效节约企业在昆虫识别模型研发中投入的人力与时间资源。所提出的通用灯诱昆虫检测器与昆虫特征提取网络，对于提升害虫监测精度、完善农田生态系统昆虫多样性监测体系，以及推动农业害虫监测数据资源的规模化建设，均具有重要的应用价值。

  浙江理工大学姚青教授为论文的通讯作者，硕士生尤彦辰为论文第一作者。该研究得到“十四五”国家重点研发计划和浙江省“三农九方”等项目的资助。

  Cite the article:

  Yanchen You, Zelin Feng, Zhe Wang, Lingyi Li, Ju Luo, Jun Lv, Haowen Zhang, Baojun Yang, Shuhua Liu, Qing Yao. 2026. Few-shot driven construction method of a large-scale light-trapped insect annotation data based on vision foundation models and self-supervised learning. Journal of Integrative Agriculture, 25(7): 2915-2935.

  
  

Pubdate： 2026-07-12    Viewed： 178