1 引言
湖南边际土地面积约63.88万公顷，受酸性黏质红壤和陡坡地形限制，该类土地粮食产能低下但适宜茶树种植。然而，茶角胸叶甲（Basilepta melanopus）等害虫爆发严重威胁茶叶产量与品质，传统人工巡查与化学防治难以满足绿色高质量茶产业需求。边际茶园存在茶树抗逆性弱、监测难度大、生态调控能力不足等核心瓶颈，易形成"害虫爆发-农药滥用-土壤退化"恶性循环。当前深度学习技术虽在农作物害虫检测中取得进展，但现有模型多针对常规农田，对边际茶园特殊场景（如复杂地形、害虫物种变异）适应性不足。
2 材料与方法
2.1 图像采集
研究在湖南省长沙县高桥镇高桥基地茶园（东经113°4′33.632″，北纬28°15′40.903″）开展，通过佳能EOS 700D相机拍摄黄板图像（图1）及茶园物联网虫情监测设备（图2）共获取806张图像，按9:1划分训练集与验证集。
2.2 图像预处理
采用LabelImage人工标注茶角胸叶甲位置与类别，通过垂直翻转、随机缩放、旋转等数据增强技术将数据集扩增至2,410张图像，其中训练集标签20,569个，验证集2,063个。
2.3 模型改进策略
2.3.1 ECA注意力机制
在骨干网络特征提取阶段嵌入ECA（Efficient Channel Attention）模块（图3），通过一维卷积自适应调整特征通道权重，增强害虫边缘纹理等关键特征提取能力。
2.3.2 GhostConv轻量化卷积
以GhostConv（图4）替换原Conv模块，采用"1×1卷积降维+5×5深度卷积特征互补"两阶段策略，显著降低计算量。
2.3.3 迁移学习
基于Pest24数据集预训练模型学习通用害虫特征，再使用自建茶角胸叶甲数据集微调（图5），提升小样本场景适应性。最终GET-YOLO模型结构如图6所示。
3 结果与讨论
3.1 注意力机制对比
ECA模块使mAP50提升至87.05%，较基线模型（YOLO11m）提高0.94%，优于GAM、CBAM、SE等注意力机制，在保持高召回率（84.96%）同时精准率达83.95%。
3.2 消融实验
ECA+GhostConv组合使参数量降至14.65M（降低26.9%），FLOPs减少至54.50G，mAP50进一步提升至87.71%。引入迁移学习后，模型召回率显著提高至87.20%，实现精度与效率协同优化。
3.3 模型对比
GET-YOLO在mAP50（87.94%）、召回率（87.20%）等核心指标上均优于YOLOv8m（85.17%）、YOLOv10m（83.83%）及RT-DETR（74.48%），参数量（14.65M）为对比模型最低，帧率达182.34 fps。可视化对比（图7）显示该模型对黏板边缘残缺个体、背景干扰下小目标检测具有显著优势。
4 结论
GET-YOLO模型通过ECA注意力机制增强特征提取、GhostConv实现轻量化、迁移学习提升小样本适应性，在茶角胸叶甲检测任务中达到87.94%的mAP50，参数量降低28%，单图推理时间23 ms。该技术可为边际茶园害虫绿色防控提供实时动态监测数据，推动茶产业绿色高效升级。未来将扩展至茶蚜、小绿叶蝉等其他害虫识别，并集成环境因子数据构建边际茶园全生产周期智能管理模型。
