近日，林學(xué)院陶靜教授團隊在農林科學(xué)領(lǐng)域一區TOP期刊《Pest Management Science》（IF=4.1）上發(fā)表以“Detection and Recognition of the Invasive species, Hylurgus ligniperda, in Traps, Based on a Cascaded Convolution Neural Network”為題目的研究成果，在實(shí)現長(cháng)林小蠹等害蟲(chóng)的遠程實(shí)時(shí)檢測與計數方面取得了新進(jìn)展。

長(cháng)林小蠹Hylurgus ligniperda Fabricius是國際重大林業(yè)檢疫性害蟲(chóng)。林學(xué)院林業(yè)有害生物防控創(chuàng )新團隊于2020年在山東省黑松海防林中首次發(fā)現該物種入侵，對我國森林生態(tài)安全造成重大威脅，及時(shí)檢測長(cháng)林小蠹傳播意義重大。傳統的誘捕器監測需要人工定期進(jìn)行檢查，人工成本高昂，且要求具備昆蟲(chóng)分類(lèi)基本專(zhuān)業(yè)知識。團隊前期自主研發(fā)的長(cháng)林小蠹信息素誘捕技術(shù)取得了良好效果（已獲授權專(zhuān)利：ZL202110839177.0），在成蟲(chóng)揚飛期，單個(gè)誘捕器單日可誘集成蟲(chóng)近200頭，為監測和防治提供了高效簡(jiǎn)便的技術(shù)。

圖1 誘捕器懸掛方式（左），誘捕器內大量成蟲(chóng)（中），工作照（右）

近年來(lái)，以卷積神經(jīng)網(wǎng)絡(luò )（Convolutional Neural Network，CNN）為代表的人工智能識別檢測技術(shù)已逐漸應用于害蟲(chóng)監測領(lǐng)域。研究團隊設計應用了一個(gè)兩階段級聯(lián)卷積神經(jīng)網(wǎng)絡(luò )——YOLOX-MobileNetV2（YOLOX-Mnet），實(shí)現了林間信息素誘捕器內長(cháng)林小蠹，以及褐梗天牛Arhopalus rusticus、油松梢小蠹Cryphalus tabulaeformis等害蟲(chóng)的識別。在第一階段，YOLOX作為目標檢測模型識別出圖像中的昆蟲(chóng)和非昆蟲(chóng)目標，并過(guò)濾掉非昆蟲(chóng)目標；在第二階段，MobileNetV2作為分類(lèi)網(wǎng)絡(luò )，對捕獲的昆蟲(chóng)進(jìn)行分類(lèi)。這種方法可以快速準確地從誘捕器圖像中檢測出長(cháng)林小蠹等目標昆蟲(chóng)，并已通過(guò)嵌入式遠程圖像采集器，實(shí)現了長(cháng)林小蠹的遠程實(shí)時(shí)監測與計數，為手動(dòng)檢查提供了更高效的替代方案。

圖2 YOLOX網(wǎng)絡(luò )結構圖

圖3 級聯(lián)卷積檢測過(guò)程

林學(xué)院20級碩士研究生張霞輝和22級碩士研究生李正一為本文共同作者，陶靜教授為通訊作者，任利利高級實(shí)驗師參與了論文的指導工作。本論文是陶靜教授團隊在林業(yè)害蟲(chóng)監測和人工智能交叉融合趨勢下的最新探索。目前，研究團隊正在開(kāi)展野外環(huán)境下害蟲(chóng)實(shí)時(shí)精準監測技術(shù)的研發(fā)，將進(jìn)一步探索森林自動(dòng)化監測預警領(lǐng)域，提高對害蟲(chóng)的監測和識別效率，為此項技術(shù)在森林生態(tài)安全保護中的實(shí)際應用作出積極貢獻。

本研究受到“十四五”重點(diǎn)研發(fā)項目“重大林草入侵生物擴張蔓延機制與高效防控技術(shù)研究”（2021YFD1400300）的資助。

文章鏈接：https://doi.org/10.1002/ps.8126