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.

Journal of Integrative Agriculture（《农业科学学报（英文）》, JIA）由中华人民共和国农业农村部主管，中国农业科学院与中国农学会主办，中国农业科学院农业信息研究所承办。综合性英文学术期刊，月刊。创刊于2002年，现任主编为中国科学院院士陈化兰。JIA主要栏目有作物科学、园艺、植物保护、动物科学、动物医学、农业生态环境、食品科学、农业经济与管理等。刊稿类型有综述、研究论文、简报以及评述等。全部论文在Elsevier-ScienceDirect (SD) 平台OA出版。最新SCI影响因子5.7，位于SCI-JCR农业综合学科Q1区。中国科学院分区农林科学1区。2016年以来先后获得中国科协等部委 “提升计划”“登峰计划”“卓越计划”项目支持。

支持单位：