近日，林学院陶静教授团队在农林科学领域一区TOP期刊《Pest Management Science》（IF=4.1）上发表以“Detection and Recognition of the Invasive species, Hylurgus ligniperda, in Traps, Based on a Cascaded Convolution Neural Network”为题目的研究成果，在实现长林小蠹等害虫的远程实时检测与计数方面取得了新进展。

长林小蠹Hylurgus ligniperda Fabricius是国际重大林业检疫性害虫。林学院林业有害生物防控创新团队于2020年在山东省黑松海防林中首次发现该物种入侵，对我国森林生态安全造成重大威胁，及时检测长林小蠹传播意义重大。传统的诱捕器监测需要人工定期进行检查，人工成本高昂，且要求具备昆虫分类基本专业知识。团队前期自主研发的长林小蠹信息素诱捕技术取得了良好效果（已获授权专利：ZL202110839177.0），在成虫扬飞期，单个诱捕器单日可诱集成虫近200头，为监测和防治提供了高效简便的技术。

图1 诱捕器悬挂方式（左），诱捕器内大量成虫（中），工作照（右）

近年来，以卷积神经网络（Convolutional Neural Network，CNN）为代表的人工智能识别检测技术已逐渐应用于害虫监测领域。研究团队设计应用了一个两阶段级联卷积神经网络——YOLOX-MobileNetV2（YOLOX-Mnet），实现了林间信息素诱捕器内长林小蠹，以及褐梗天牛Arhopalus rusticus、油松梢小蠹Cryphalus tabulaeformis等害虫的识别。在第一阶段，YOLOX作为目标检测模型识别出图像中的昆虫和非昆虫目标，并过滤掉非昆虫目标；在第二阶段，MobileNetV2作为分类网络，对捕获的昆虫进行分类。这种方法可以快速准确地从诱捕器图像中检测出长林小蠹等目标昆虫，并已通过嵌入式远程图像采集器，实现了长林小蠹的远程实时监测与计数，为手动检查提供了更高效的替代方案。

图2 YOLOX网络结构图

图3 级联卷积检测过程

林学院20级硕士研究生张霞辉和22级硕士研究生李正一为本文共同作者，陶静教授为通讯作者，任利利高级实验师参与了论文的指导工作。本论文是陶静教授团队在林业害虫监测和人工智能交叉融合趋势下的最新探索。目前，研究团队正在开展野外环境下害虫实时精准监测技术的研发，将进一步探索森林自动化监测预警领域，提高对害虫的监测和识别效率，为此项技术在森林生态安全保护中的实际应用作出积极贡献。

本研究受到“十四五”重点研发项目“重大林草入侵生物扩张蔓延机制与高效防控技术研究”（2021YFD1400300）的资助。

文章链接：https://doi.org/10.1002/ps.8126