Los insectos desempeñan roles esenciales en los ecosistemas, proporcionando servicios como la polinización y la regulación de plagas. Sin embargo, las poblaciones de insectos a nivel global están en declive debido a factores como la pérdida de hábitat y el cambio climático, lo que genera preocupaciones sobre la estabilidad de los ecosistemas. Los métodos tradicionales de monitoreo de insectos son limitados en alcance, pero los avances en IA y aprendizaje automático permiten un monitoreo automatizado y no invasivo con trampas de cámara. En este estudio, aprovechamos el nuevo conjunto de datos Diopsis que contiene imágenes de operaciones de campo para explorar un enfoque que enfatiza tanto la extracción de fondo de las imágenes como el enfoque SAHI. Al crear fondos aumentados a partir de la extracción de insectos de imágenes de entrenamiento y usar estos fondos como lienzos para reubicar artificialmente insectos, podemos mejorar la precisión de detección, alcanzando un mAP50 del 72.7% con YOLO10nano, y reducir la variabilidad al contar insectos en diferentes fondos y tamaños de imagen, apoyando un monitoreo eficiente de insectos en dispositivos de bajo consumo como Raspberry Pi Zero W 2.