近日，林學院陶靜教授團隊在農(nóng)林科學領域一區(qū)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，在實現(xiàn)長林小蠹等害蟲的遠程實時檢測與計數(shù)方面取得了新進展。
長林小蠹Hylurgus ligniperda Fabricius是國際重大林業(yè)檢疫性害蟲。林學院林業(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(xiàn)該物種入侵，對我國森林生態(tài)安全造成重大威脅，及時檢測長林小蠹傳播意義重大。傳統(tǒng)的誘捕器監(jiān)測需要人工定期進行檢查，人工成本高昂，且要求具備昆蟲分類基本專業(yè)知識。團隊前期自主研發(fā)的長林小蠹信息素誘捕技術取得了良好效果（已獲授權專利：ZL202110839177.0），在成蟲揚飛期，單個誘捕器單日可誘集成蟲近200頭，為監(jiān)測和防治提供了高效簡便的技術。
圖1 誘捕器懸掛方式（左），誘捕器內(nèi)大量成蟲（中），工作照（右）
近年來，以卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）為代表的人工智能識別檢測技術已逐漸應用于害蟲監(jiān)測領域。研究團隊設計應用了一個兩階段級聯(lián)卷積神經(jīng)網(wǎng)絡——YOLOX-MobileNetV2（YOLOX-Mnet），實現(xiàn)了林間信息素誘捕器內(nèi)長林小蠹，以及褐梗天牛Arhopalus rusticus、油松梢小蠹Cryphalus tabulaeformis等害蟲的識別。在第一階段，YOLOX作為目標檢測模型識別出圖像中的昆蟲和非昆蟲目標，并過濾掉非昆蟲目標；在第二階段，MobileNetV2作為分類網(wǎng)絡，對捕獲的昆蟲進行分類。這種方法可以快速準確地從誘捕器圖像中檢測出長林小蠹等目標昆蟲，并已通過嵌入式遠程圖像采集器，實現(xiàn)了長林小蠹的遠程實時監(jiān)測與計數(shù)，為手動檢查提供了更高效的替代方案。
圖2 YOLOX網(wǎng)絡結構圖
圖3 級聯(lián)卷積檢測過程
林學院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)害蟲監(jiān)測和人工智能交叉融合趨勢下的最新探索。目前，研究團隊正在開展野外環(huán)境下害蟲實時精準監(jiān)測技術的研發(fā)，將進一步探索森林自動化監(jiān)測預警領域，提高對害蟲的監(jiān)測和識別效率，為此項技術在森林生態(tài)安全保護中的實際應用作出積極貢獻。
本研究受到“十四五”重點研發(fā)項目“重大林草入侵生物擴張蔓延機制與高效防控技術研究”（2021YFD1400300）的資助。
文章鏈接：https://doi.org/10.1002/ps.8126
