基于钻蛀振动信号频谱特征提取的低噪声环境白蜡窄吉丁早期监测方法研究

这篇研究创新性地提出EABNet模型，通过压电传感器采集白蜡窄吉丁(EAB)幼虫钻蛀振动信号，结合残差网络(ResNet)结构实现-5dB至-10dB低信噪比(SNR)环境下的精准识别(准确率82.89%-79.79%)，为林业蛀干害虫早期监测提供了自动化、低成本的人工智能解决方案。

　　

亮点
本研究设计基于残差块结构的EABNet模型，通过提取钻蛀振动信号的深层特征，在接近自然环境的-5dB至-10dB信噪比条件下实现79.79%-82.89%识别率，显著优于DenseNet和GoogleNet等经典模型。

讨论
蛀干害虫作为林业重大威胁，其幼虫隐蔽特性导致传统监测方法（目视检查、诱捕监测、树皮剥离等）存在明显滞后性。相比X射线和CT扫描等高成本手段，本研究的振动信号检测技术兼具早期预警优势和成本效益。

结论
以白蜡窄吉丁(EAB)为模型生物构建的EABNet，通过残差卷积神经网络和迁移学习技术，在低噪声钻蛀振动信号检测中表现卓越。该模型将人工智能成功应用于林业害虫防治实践，为降低防治人力成本、提升生态保护效率提供新范式。