傳統的農作物病蟲害監測系統依賴管理員的觀察與分析，經常發生錯誤的判斷，現有的具許多參數和計算量的目標檢測方法不適合部署在性能較差的設備上。
中國安徽工業大學研究團隊使用多種數據增強技術來擴充訓練數據，以提高模型的泛化能力，對YOLOv3進行結構改良，包括引入輕量級Bottleneck結構和坐標注意力機制，以減少模型參數並提升運算效率，採用K-Means++算法生成先驗框，進一步提高檢測精度，使用改良後的YOLOLite-CSG模型進行訓練，並進行多種對比實驗以評估性能。

       研究發現所提出的方法在多個指標上均超過了現有主流物體檢測方法，如mAP（平均精度）達到82.9%，顯示出良好的檢測性能，透過與其他主要物體檢測算法（如YOLOv3、YOLOv5等）的比較，該方法在準確性和運算效率方面均表現優異。
此項研究發表在2022年7月《MDPI》期刊，此項研究貢獻在於新的輕量級作物害蟲檢測方法，為農業害蟲監控提供了一個有效解決方案，研究中引入的坐標注意力機制和輕量級Bottleneck結構設計，不僅提升了模型性能，也為未來相關研究提供了新方向，該方法可應用於資源有限的設備中，具有廣泛的實際應用潛力，有助於推動智慧農業技術的發展。【延伸閱讀】-運用人工智慧完成高效蟲害及土壤肥沃檢測 推薦精準農藥與肥料施用建議