近日，南京农业大学智慧农业学院舒磊教授团队围绕物联网太阳能杀虫灯（SIL-IoT）设备健康监测开展的研究论文“Multi-Task Visual Health Monitoring for Solar Insecticidal Lamps IoT via Cross-Task Attention and Logic-Guided Consistency”被《IEEE Transactions on Consumer Electronics》录用。该研究针对SIL-IoT节点的虫情图像采集设备在野外环境中因硬件退化等导致图像质量下降、影响昆虫识别准确率的实际问题，提出了一种无需额外传感器的多任务视觉健康监测框架，通过复用设备已有的昆虫识别图像，同时诊断多种硬件故障状态，为SIL-IoT的长期稳定运行和成本控制提供了新的技术方案。论文第一作者为安徽科技工程大学人工智能学院杨星博士，通讯作者为南京农业大学智慧农业学院舒磊教授。该研究得到国家自然科学基金（No. 62402003）、安徽科技学院人才引进项目（No. RCYJ202402）等项目资助。
在框架设计方面，团队提出了三个核心创新模块。任务交互模块（TIM）通过可学习的任务查询向量与图像特征进行交叉注意力计算，动态提取任务专属表征，使模型能够针对不同诊断目标关注图像中最相关的区域。不确定性感知损失加权（UALW） 基于同方差不确定性自动平衡各任务损失贡献，无需人工调节权重。自适应物理一致性约束（APCC） 将设备级别的物理逻辑编码为九条约束规则，在训练中作为正则化项惩罚违反物理常识的预测组合，并通过自适应权重调整机制保持约束的合理性。该方法能够同时处理分类、回归、关键点定位和实例分割四类异构诊断任务。
为验证方法的有效性，团队构建了包含1,112张真实田间图像的标注数据集，涵盖光源状态、镜头污染、翻板机械状态、通信状态和图像质量等多维度诊断标签，并通过数据增强扩展至4,000张图像。实验结果表明，在MobileNetV3-Small轻量级骨干网络上，该框架在八个分类任务上平均准确率达到98.64%，亮度回归MAE为0.0185，关键点定位MAE为0.0099，实例分割mIoU达到62.90%。消融实验验证了三个模块的协同效应：完整模型相比基线在回归任务上MAE降低了48.2%，在分类准确率上提升了4.19个百分点。与十种主流多任务学习策略的对比表明，该方法在各项任务上均取得领先或可比性能。
在边缘端部署方面，团队将模型部署到Raspberry Pi 4B（8GB）上。实际测试显示，模型参数量仅2.54 MB，单张图像平均推理时间为1.57秒，CPU占用率约33.25%，内存占用约4.99%，整机功耗约3.64 W。该模型可直接与现有的昆虫识别模型并行或周期性运行，在无需增加任何硬件成本的前提下，实现设备健康状态的持续监测。
图1. 所提出的多任务视觉健康监测框架整体架构
图2. 实际部署与性能评估