基于物联网与深度学习的茶园病虫害检测与评估框架发布
摘要:Pundaluoya茶园研究团队提出了一种基于物联网(IoT)和深度学习的创新框架,用于早期检测和评估茶树中常见的Upcountry Live Wood Termite (ULWT)虫害。该框架通过高灵敏度麦克风采集茶树干音频信号,结合卷积神经网络(CNN)进行分类与概率估计,并引入加权严重度模型和地理空间映射,实现了对虫害的定量评估与可视化。研究在真实环境噪声下进行了实地试验,CNN模型在测试集上达到了81.5%的准确率,框架的输出结果可帮助种植管理者识别高风险区域并实施精准防控措施。
研究背景与挑战
茶园容易受到Upcountry Live Wood Termite (ULWT)虫害的侵袭,这种虫害在未被及时发现时会造成重大损失。传统的虫害检测方法依赖于人工巡查,效率低下且容易漏检。因此,研究人员提出了一种基于物联网(IoT)和深度学习的创新框架,以实现对茶树虫害的早期检测和严重度评估。
研究方法
- 数据采集:使用连接Raspberry Pi的高灵敏度麦克风非侵入式采集茶树干音频信号,并记录地理坐标以实现空间追踪。
- 数据预处理:对采集到的音频信号进行修剪、重采样和分割,共获得2000个十秒样本(1000个健康样本和1000个虫害样本),并将其分为1600个训练样本、200个验证样本和200个测试样本。
- 模型训练与评估:使用傅里叶变换生成的频谱图训练卷积神经网络(CNN)进行虫害分类和概率估计。
- 严重度评估与可视化:结合CNN概率、音频信号的平均振幅以及5米范围内的邻近虫害样本,构建加权严重度模型,并通过地理空间映射实现虫害分布的可视化。
主要发现与价值
- 模型性能:在实地试验中,CNN模型在测试集上达到了81.5%的准确率、80.6%的精确率、83.0%的召回率和81.8%的F1分数,ROC-AUC为0.819。
- 创新性:该框架不仅实现了虫害的二元检测,还引入了基于虫害概率、音频振幅和邻近虫害样本的定量严重度评估。
- 实际应用:研究结果表明,该框架能够有效支持种植管理者识别高风险区域、优先安排现场巡查,并实施更及时、更精准的防控措施。
行业影响与开发者建议
- 行业影响:该研究为茶园虫害管理提供了高效的技术解决方案,有望大幅提升虫害检测的准确性和效率。
- 开发者建议:未来可以进一步优化模型以适应不同环境条件,并探索将类似技术应用于其他农业领域。此外,结合无人机技术,可以实现更大范围的自动化监测。
—— 完 ——消息来源:ArXiv AI (cs.AI) (2026-09-01)
主题标签: #物联网 #深度学习 #农业AI #病虫害检测 #环境监测
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区