近日，舒磊教授团队在2025 IEEE International Conference on Industrial Technology（2025 ICIT）国际学术会议上，连续发表了两篇论文。两篇论文分别为：

1. SIL-IoVTs：智能农业中害虫控制与入侵者监控的双层优化方法
2. 复杂户外场景中茶菊花的实时检测

舒磊教授为通信作者，Yuhao Zhang、博士生臧思扬分别为第一作者。

1.SIL-IoVTs：智能农业中害虫控制与入侵者监控的双层优化方法

在绿色农业中，太阳能杀虫灯物联网（SIL-IoTs）得到了广泛应用，但由于高成本，面临着盗窃和破坏问题。为此，该研究提出了SILC节点，通过在SIL节点中嵌入摄像头，形成SIL-IoVTs，既用于害虫控制，也用于入侵者监控。SIL-IoVTs涉及全向（SIL）和定向（摄像头）传感模型，用于区域和目标覆盖。该研究提出了一个优化部署模型，并开发了一个双层算法来解决该问题，迭代地部署SIL节点进行害虫控制和摄像头进行监控。仿真结果表明该方法具有有效性和进步性。

图1配备摄像头的SIL节点，形成SILC节点

图 2 DCRT-PCA、CLBGA 和我们的方法在不同 (a) SIL 节点的捕捉距离、(b) 摄像机的感应半径和 (c) 摄像机的感应角度下的总成本

2. 复杂户外场景中茶菊花的实时检测

采摘机器人已成为智能农业的一个重要焦点，而精确的目标位置检测是实现机器人采摘的关键要素。然而，检测茶菊面临着各种挑战，包括茶菊的动态外观、复杂的环境条件、易受遮挡和光照变化的影响，以及对实时嵌入式系统的要求。为了应对这些挑战，该研究引入了 YOLO-VTC（You Only Look Once-Varieties of Tea Chrysanthemum），这是一种针对 Jetson Xavier NX 平台进行了优化的轻量级深度学习模型。该模型融合了多项关键创新提高了检测精度和效率。此外，SIoU 损失函数的集成进一步增强了模型提取小物体特征的能力。与主流轻量级模型的实验比较表明，YOLO-VTC 的性能优于现有方法，同时还扩展了其检测多个菊花品种的能力。结果表明，YOLO-VTC 的平均准确率达到 86.60%，峰值准确率达到 97.10%，超越了其他轻量级网络，表现出色。值得注意的是，该模型有效地保持了 6.58MB 的紧凑大小，并已成功部署到边缘设备平台上。

图 3提出的茶菊花检测模型的结构: YOLO-VTC

图 4室外场景中菊花的检测效果