Enhancing Long-Tailed Macaque Pest Identification Using a Two-Stage YOLO-EfficientNet Pipeline
Hammami Rifqi Darmawan · Finki Dona Marleny · Ayu Ahadi Ningrum
用YOLOv8+EfficientNet-B0两阶段流水线识别长尾猕猴，提升玉米田驱猴系统检测精度。
3083张标注图像，YOLOv8n检测后裁剪920张微调EfficientNet
YOLOv8 mAP50达0.979，EfficientNet-B0验证准确率98.4–100%，1
可探索将两阶段检测-分类流水线轻量化部署到边缘设备，并扩展至多物种、多作物场景的实时驱避决策。
论文提出YOLOv8+EfficientNet-B0两阶段猕猴识别与声波驱避系统，数据规模与指标扎实，对智慧农业AI应用有参考价值。
长尾猕猴（Macaca fascicularis）的侵害使玉米产量从潜在的每生长季7–9吨降至仅4–5吨（±40%），而诸如大声喧哗和射击等传统驱赶方法已被证明无效。本研究开发了一种基于物联网（IoT）的驱虫系统，采用声波、HC-SR501传感器和ESP32-CAM模块，并引入YOLOv8和EfficientNet-B0以替代先前使用的YOLOv3 Tiny模型，旨在提高检测精度并区分长尾猕猴与人类。由于合作农田的种群密度不足以构建足够的数据集，图像数据采集于南加里曼丹的Kembang岛，该岛作为自然栖息地，拥有大量且可观察的长尾猕猴种群，从而能够获取具有视觉代表性和多样性的训练数据。使用Label Studio对共计3,083张图像进行标注，分为两个类别（人类和长尾猕猴），然后按80:10:10的比例划分，未进行数据增强。YOLOv8n模型训练了50个epoch，之后将验证检测结果裁剪为920张图像，用于对EfficientNet-B0进行10个epoch的微调。评估结果表明，YOLOv8达到了0.959的精确率、0.965的召回率、0.979的mAP50和0.723的mAP50-95，而EfficientNet-B0达到了98.4–100%的验证准确率，且无明显过拟合。该两阶段检测-分类流水线在121张实地图像上成功进行了端到端测试，展示出相较于先前模型的显著性能提升，为基于物联网和人工智能的智慧农业解决方案做出了贡献，可有效、可持续地保护玉米田。