摘要: 为解决稻飞虱体积小、田间调查劳动密集且准确性不足的问题，开发了基于Faster R-CNN with Neighborhood Attention Transformer（FNAT）的稻飞虱检测算法，并建立了相应的田间采集装置与识别计数系统，用于提升调查效率。利用自研装置采集稻飞虱图像构建数据集，包含7种不同类别。开发FNAT算法模型，融合NAT和FPN模块，对模型性能进行评估，并建立系统展示识别结果。FNAT算法在所有类别上平均精确率超80%，特定类别超90%，mAP达87.2%，较Baseline模型显著提升。此外，试验自研的调查采集装置采集稻飞虱图片后，系统会自动上传并利用云服务器端的FNAT算法进行快速识别和计数，最后将识别结果发送至客户端。FNAT算法和装置系统能准确检测识别稻飞虱，减轻植保人员工作负担，降低专业门槛，提升数据准确性和一致性。