近日，信息學院（人工智能學院）張海燕副教授課題組在林木蛀干害蟲鉆蛀振動信號識別方面取得新進展，相關研究成果以“Detecting emerald ash borer boring vibrations using an encoder-decoder and improved DenseNet model”為題，在農林科學領域的中科院一區TOP期刊《Pest Management Science》上發表。
林木蛀干害蟲因其隱蔽性強、繁殖迅速和極具破壞性等特點，對森林構成巨大威脅，造成樹木受損，導致森林退化，增加火災風險，并帶來嚴重的經濟損失。白蠟窄吉丁（ Agrilus planipennis Fairmaire，簡稱EAB）是其中一種危害性極高的蛀干害蟲，號稱為林木“隱蔽殺手”，對其進行早期監測可以起到很好的防治作用。傳統的監測手段，如人工樣地觀察、成蟲誘集技術和遙感監測，不僅耗時費力，還難以實現早期預警。近年來，基于深度學習的聲學監測技術雖然應用于蛀干害蟲鉆蛀振動信號識別，但復雜的森林環境中常見的背景噪聲（如蟬鳴、鳥叫等）大大限制了其識別精度和實際應用。
針對上述挑戰，本研究提出了一種名為VibroEABNet的深度學習聯合識別網絡，該網絡由一個基于編碼器和解碼器結構的降噪模塊和一個改進的DenseNet識別模塊組成，并設計了一個復合損失函數來平衡兩個模塊的性能，使得VibroEABNet能夠在提取純凈的白蠟窄吉丁鉆蛀振動信號特征的同時進行有效分類。結果顯示，VibroEABNet模型在多個信噪比（SNR）條件下表現出色，平均識別準確率達到了98.98%；在實際森林數據集上的識別準確率達到了97.5%，超過了傳統模型和本研究中評估的其他深度學習網絡。此外，該模型的推理時間為26毫秒，模型大小為8.43 MB，凸顯了其在林區現場部署和硬件資源有限（如低功耗嵌入式設備）環境中的適用性。
圖1 識別流程圖
該論文第一作者為信息學院（人工智能學院）2022級碩士研究生陰金良，通訊作者為張海燕副教授，北京林業大學為第一完成單位。相關研究工作受到國家自然科學基金（32071775）資助。
