使用编码器-解码器和改进的DenseNet模型检测石灰钻机钻孔振动
Jinliang Yin1,2, Haiyan Zhang1,2, Zhibo Chen1,2
1School of Information Science and Technology, Beijing Forestry University, Beijing, China.
Pest management science
|September 26, 2024
概括
早期发现灰 (EAB) 对森林健康至关重要. 新的深度学习模型VibroEABNet准确检测EAB振动,为害虫监测提供了可扩展的解决方案.
科学领域:
- 林业林业 林业 林业 林业
- 昆虫学 昆虫学是一门学科.
- 人工智能的人工智能
背景情况:
- 森林生态系统面临着像灰 (EAB) 这样的木材破坏性害虫的重大威胁.
- 目前的手动检测方法对早期EAB感染无效.
- 早期检测对于减轻害虫造成的经济和生态损害至关重要.
研究的目的:
- 引入VibroEABNet,这是一个深度学习网络,用于增强检测EAB无聊振动.
- 整合消毒和识别模块,以改进害虫信号识别.
- 开发一种可扩展,准确和高效的解决方案,用于早期害虫监测.
主要方法:
- 开发VibroEABNet,一个联合认可深度学习网络.
- 在网络架构中集成无噪声和识别模块.
- 使用具有不同SNR和真实森林数据集的测试数据集评估模型性能.
主要成果:
- 在实验数据集中,VibroEABNet的平均准确度为98.98%,在实体森林数据集中达到97.5%.
- 该模型证明了对环境噪音的强度.
- 有效的性能,推断时间为26毫秒,模型大小为8.43 MB.
结论:
- VibroEABNet代表了害虫检测技术的重大进步.
- 集成的消除噪音模块有效地解决了噪音环境中声监测的局限性.
- 未来的研究将探索该网络对其他木害虫的适用性.


