基于机器学习的甜薯甲虫损伤检测与严重程度估计：场地与实验室条件下的研究
计算机视觉与模式识别
2026-02-09 v1
摘要
甜薯甲虫（Cylas spp.）被认为是影响甜薯生产最具破坏性的害虫之一，尤其是在撒哈拉亚地区。传统的甲虫损伤评估方法主要依赖手动评分，具有劳动密集、主观且常常产生不一致结果等问题。这些挑战显著阻碍了旨在开发抗逆甜薯品种的育种项目。本研究引入了基于计算机视觉的方法，用于场地和实验室情境下的甲虫损伤自动化评估。在场地条件下，我们收集数据以训练分类模型，以预测根部损伤严重程度，实现了71.43%的测试准确率。此外，我们建立了一个实验室数据集，并设计了采用YOLO12（领先的实时检测模型）的对象检测管线。该方法论证包含了结合根部分割与分块策略以提高小对象可检测性的两阶段实验室管线。 resulting model demonstrated a mean average precision of 77.7% in identifying minute weevil feeding holes.我们的发现表明，计算机视觉技术可以提供与当代育种工作流程无缝衔接的高效、客观且可扩展的评估工具。这些突破性进展在提高甜薯育种项目中表型测量效率方面具有重要意义，在减轻甲虫对粮食安全的不利影响方面发挥关键作用。
引用
@article{arxiv.2602.06786,
title = {Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions},
author = {Doreen M. Chelangat and Sudi Murindanyi and Bruce Mugizi and Paul Musana and Benard Yada and Milton A. Otema and Florence Osaru and Andrew Katumba and Joyce Nakatumba-Nabende},
journal= {arXiv preprint arXiv:2602.06786},
year = {2026}
}