近日，信息学院（人工智能学院）张海燕副教授课题组在林木蛀干害虫钻蛀振动信号识别方面取得新进展，相关研究成果以“Detecting emerald ash borer boring vibrations using an encoder-decoder and improved DenseNet model”为题，在农林科学领域的中科院一区TOP期刊《Pest Management Science》上发表。

林木蛀干害虫因其隐蔽性强、繁殖迅速和极具破坏性等特点，对森林构成巨大威胁，造成树木受损，导致森林退化，增加火灾风险，并带来严重的经济损失。白蜡窄吉丁（ Agrilus planipennis Fairmaire，简称EAB）是其中一种危害性极高的蛀干害虫，号称为林木“隐蔽杀手”，对其进行早期监测可以起到很好的防治作用。传统的监测手段，如人工样地观察、成虫诱集技术和遥感监测，不仅耗时费力，还难以实现早期预警。近年来，基于深度学习的声学监测技术虽然应用于蛀干害虫钻蛀振动信号识别，但复杂的森林环境中常见的背景噪声（如蝉鸣、鸟叫等）大大限制了其识别精度和实际应用。

针对上述挑战，本研究提出了一种名为VibroEABNet的深度学习联合识别网络，该网络由一个基于编码器和解码器结构的降噪模块和一个改进的DenseNet识别模块组成，并设计了一个复合损失函数来平衡两个模块的性能，使得VibroEABNet能够在提取纯净的白蜡窄吉丁钻蛀振动信号特征的同时进行有效分类。结果显示，VibroEABNet模型在多个信噪比（SNR）条件下表现出色，平均识别准确率达到了98.98%；在实际森林数据集上的识别准确率达到了97.5%，超过了传统模型和本研究中评估的其他深度学习网络。此外，该模型的推理时间为26毫秒，模型大小为8.43 MB，凸显了其在林区现场部署和硬件资源有限（如低功耗嵌入式设备）环境中的适用性。

图1 识别流程图

该论文第一作者为信息学院（人工智能学院）2022级硕士研究生阴金良，通讯作者为张海燕副教授，北京林业大学为第一完成单位。相关研究工作受到国家自然科学基金（32071775）资助。

论文链接：https://doi.org/10.1002/ps.8442