《Insects》：Early Detection of Red Palm Weevil Infestation: A Systematic Review of Sensing Technologies, Artificial Intelligence, and Field Readiness
编辑推荐：
红棕象甲（Rhynchophorus ferrugineus Olivier；RPW）是棕榈科植物的一种具有重要经济意义的入侵性害虫，其早期检测仍具挑战性，因为幼虫在内部发育，在可见症状出现之前侵染已悄然进行。本系统综述评估了当前RPW检测技术、其操作局限性以
红棕象甲（Rhynchophorus ferrugineus Olivier；RPW）是棕榈科植物的一种具有重要经济意义的入侵性害虫，其早期检测仍具挑战性，因为幼虫在内部发育，在可见症状出现之前侵染已悄然进行。本系统综述评估了当前RPW检测技术、其操作局限性以及未来发展的优先方向。遵循PRISMA 2020指南，共纳入56项原始研究，主要涵盖2015年至2026年7月期间发表的文献，同时纳入部分早期奠基性研究。证据基础通过五个文献与学术数据库的系统检索建立，并辅以结构化的补充更新和来源验证程序，覆盖截至2026年7月25日的出版物。声学与振动声学传感提供了内部幼虫活跃取食的最直接证据，而热成像、光谱、RGB及无人机（UAV）方法主要检测寄主生理胁迫或外部可见损伤。尽管多项研究报告了较高的分类性能，但大多数证据来源于私有、单点、代理或受控数据集，外部田间验证有限，评估协议不一致。多模态和物联网（IoT）系统显示出连续、可扩展监测的潜力，但相对于匹配的单模态基线，其一致性优势尚未确立。纳入的研究中无一明确实施并定量评估公认的可解释人工智能（XAI）方法。本综述还识别了主要的基准测试与可重复性局限，并提出了一个概念性的六层天气感知多模态AI框架，以指导环境鲁棒且可田间部署的RPW监测系统的发展。
1. 引言
1.1 椰枣树全球重要性及RPW早期检测挑战
红棕象甲（Rhynchophorus ferrugineus Olivier，鞘翅目：象甲科）是一种具有重大经济意义的入侵性害虫，威胁棕榈科植物。该害虫起源于南亚和东南亚，其分布范围因受侵染农业材料的转运而扩大。目前，该害虫广泛分布于亚洲、中东、北非、欧洲及其他地区。红棕象甲在椰枣产区造成重大的经济和植物检疫问题。在沙特阿拉伯，每年用于RPW防控和治疗项目的支出估计约为3440万美元，而因棕榈树倒伏及相关收入损失造成的净现值损失每年估计约为4.01亿美元。在西班牙、意大利和法国，截至2013年，害虫管理、清除和更换受影响树木的总成本以及相关损失约为9000万欧元，若无有效遏制措施，预计到2023年将达到2亿欧元。检测红棕象甲侵染的主要困难在于其幼虫在棕榈组织内的隐蔽发育。早期侵染可能不产生明显的外部迹象，而可见症状通常随着内部损伤的加剧而变得更加明显。目视检查利用可观察的损伤症状定位受侵染的棕榈树，而信息素诱捕器监测成虫捕获量，并帮助确定后续检查的优先棕榈树。相比之下，声学检测、热成像和基于密度的方法通常应用于单株棕榈水平。Al-Ahsa绿洲的证据表明，强化区域综合管理（结合RPW监测、农药防治、信息素诱捕和清除重度侵染棕榈树）在三年内将侵染率从3.7%降至0.36%。因此，主要挑战不在于缺乏防治方法，而在于在广泛的内部损伤发展之前检测到侵染。这一需求激发了人们对开发可靠早期检测技术的日益关注。
1.2 RPW早期检测的生物学基础
RPW检测的生物学基础与其发育周期密切相关，该周期包括卵、多个幼虫龄期、蛹和成虫阶段。卵孵化后，幼虫在棕榈组织内发育和取食，在外部症状显现之前可能已造成大量内部损伤。发育的进程和进展受环境条件（尤其是温度）的影响。因此，“早期检测”更应相对于生物学阶段和可测量的信号来理解，而非侵染后的固定天数。不同的发育阶段产生不同的检测机会。活跃的幼虫取食和移动可产生声学和振动声学信号，这些信号在可见症状出现之前即可被检测到，而热方法依赖于与侵染相关的寄主生理响应。目视检查通常在外部症状发展后才具有信息性，而信息素诱捕针对自由飞行的成虫，因此反映的是种群活动而非特定棕榈树内的隐蔽侵染。
1.3 RPW检测技术的演变与分类
红棕象甲的检测方法已从严重依赖操作人员专业知识的传统方法转向技术辅助方法，包括针对幼虫阶段的医学、计算机和电子技术组合，以及基于传感器和自动化的技术。传感技术根据其测量的生物或物理信号类型进行分类，例如声学方法和幼虫取食与移动产生的内部振动。RGB系统、多光谱成像和无人机测量视觉或光谱指标，可应用于单株棕榈或果园水平，而热成像检测与侵染相关的温度变化和生理功能。基于模板的图像处理也已用于识别图像中的成虫RPW。生物混合传感针对与红棕象甲相关的化学化合物。微波和介电测量技术搜索与侵染相关的内部结构特征或电磁信号。分布式声学传感（DAS）还能够监测覆盖多株棕榈树的广阔空间区域的振动。传感技术正与越来越多的分析和计算技术集成，包括基于规则的系统、机器学习、深度学习和无线连接，还包括边缘或基于云的物联网（IoT）平台。多模态系统旨在统一监测框架内收集集成信号。
2. 综述方法
本系统综述依据PRISMA 2020声明进行描述。协议在文献检索前制定，但未前瞻性注册。筛选开始前已明确资格标准和计划的叙事综合方法。检索策略基于三个主要概念组：目标害虫（Rhynchophorus ferrugineus、红棕象甲、缩写RPW）；检测目标（检测、监测、识别、早期预警）；技术模态（声学和振动传感、机器学习、深度学习、计算机视觉、热和光谱成像、IoT、传感器融合、多模态监测）。初始检索产生129条记录。去重后，123条记录进行标题和摘要筛选，排除28条。95篇全文报告进行评估，51项原始研究符合资格标准。通过补充更新识别出4项额外研究，通过同行评审修订期间针对犬类检测的定向检查识别出1项额外奠基性研究，最终语料库包含56项原始研究。采用结构化提取框架，记录九项变量：书目信息、检测方法类别、算法或架构、传感模态和硬件、数据集特征、性能指标、可解释性方法、目标侵染阶段和验证环境。使用五项检查表对方法报告和选定的验证特征进行评估，涵盖方法清晰度和可重复性、数据集规模和描述充分性、交叉验证或独立留出评估的使用、与基线或最先进方法的比较以及局限性的明确报告。56项研究中，40项获得高评估分数，15项中等，1项低。
3. 传统检测与监测方法
传统RPW监测方法在生物学目标、空间尺度和诊断作用上有所不同。目视检查在棕榈水平评估外部症状，而信息素诱捕在果园或区域尺度监测自由飞行成虫。犬类筛查和直接树干测量提供选定棕榈的定向评估，而智能诱捕器增强成虫监测的时间分辨率和自动化。聚集信息素诱捕器使用合成ferrugineol，通常与食物源kairomones结合，捕获成虫RPW并支持种群监测。捕获率受诱捕器位置、诱饵来源、饵料状况、温度和其他田间条件的影响。犬类嗅觉筛查已被探索作为检测与RPW侵染相关气味的目标方法，报告的平均真阳性指示约为78%，假阳性指示约为12.6%，但这些实验未在自然侵染田间条件下建立诊断灵敏度和特异性。物理设备包括热像仪、Tree Radar Unit（TRU）、resistograph测量和穿透计或密度计方法。智能电子诱捕器通过自动记录扩展传统信息素监测。
4. 声学和振动声学检测方法
声学和振动声学方法检测Rhynchophorus ferrugineus幼虫在棕榈组织内取食和移动时产生的机械振动和声音。这些信号可能支持症状前活跃幼虫的检测，尽管可检测性取决于幼虫活动和环境条件。已研究三种主要传感配置：接触式振动声学传感器（包括压电探头和加速度计）捕获通过棕榈组织传播的基质振动；基于麦克风的系统可在探头耦合配置中使用驻极体麦克风；基于相位敏感光时域反射计（Φ-OTDR）的分布式声学传感沿光纤测量应变引起的改变，可从单一询问系统扩展监测至多株棕榈。接触式传感器已用于获取树干传播的幼虫活动。半自主监测节点已开发用于连续振动监测。在沙特阿拉伯的果园中，接触式探头记录显示R. ferrugineus和Oryctes elegans在田间噪声下具有可区分的时域和频域活动模式。基于规则的系统已使用突发时序、脉冲序列统计和频谱活动模式来区分推定幼虫信号与背景噪声。监督流程已使用基于MFCC的表示。CQCC、MFCC和BFCC组合特征图像也已在深度学习流程中评估。声学传感仍受限于检测对活跃幼虫移动和取食的依赖性，间歇性活动可能产生侵染相关信号微弱或缺失的时期。环境噪声和风可进一步降低田间记录质量。
5. 热成像、RGB、无人机及其他成像方法
热红外（TIR）成像通过测量与组织功能和水分运输改变相关的温度变化来检测与RPW侵染相关的生理变化。与直接捕获幼虫取食活动的声学传感不同，热成像提供侵染相关生理胁迫的间接评估，而非幼虫存在或活动的直接证据。田间评估报告了不同的热判别性能，取决于采集协议、环境条件和侵染严重程度。热成像对环境温度、太阳载荷、采集时间和视角仍然敏感。无人机平台支持非破坏性果园尺度采集，并在重复调查时进行冠层和热变化的时序监测。一项为期两年的单点概念验证研究报告了与严重侵染棕榈相关的热和光谱差异，包括在清晰冠层症状外部可见之前的观察，但未报告经过验证的诊断分类器或可转移的诊断性能指标。RGB成像支持外部可见症状的自动检测，主要适用于外部可见症状，因此更可能代表已确立或外部显现的损伤。微波传感可穿透植被并探测内部介电对比。一项研究在受控条件下使用旋转天线平台证明了嵌入自然棕榈组织内的RPW蛹模型的检测和定位。另一项研究模拟了健康和受侵染棕榈组织的介电响应，报告在2.45 GHz以上受侵染组织中微波反射更高、吸收更低。这两条证据线仍处于分析或受控概念验证阶段。
6. 人工智能、机器学习与物联网检测
本节回顾四种生物学上不同的任务类别中的代表性AI和机器学习架构：棕榈水平侵染检测或棕榈健康分类；成虫昆虫检测与识别；RPW发育阶段或标本分类；代理或跨物种声学分类。经典机器学习方法使用表格化棕榈测量、手工图像特征和热描述符，配合随机森林、支持向量机、浅层人工神经网络和集成方法等分类器。深度学习在最近的RPW相关自动分析中日益突出，应用于RGB图像、热成像和声学频谱图。卷积神经网络（包括预训练ResNet、DenseNet、EfficientNet、MobileNet、ShuffleNet、MixConvNet及相关系列）是常用架构。轻量级网络和元启发式超参数优化程序已被探索以提高效率和报告准确性。已识别的可解释AI方法在审查语料库中很少应用。一项研究定性使用Grad-CAM，但未识别出解释保真度、稳定性或决策效用的定量评估。轻量级模型系列已在嵌入式计算平台（如Raspberry Pi和IoT传感节点）上得到检验。审查系统分为三种模式：基于云的推理将传感器数据传输至远程服务器处理；基于边缘的推理在嵌入式硬件上执行模型；混合架构结合本地节点、网关和云服务用于存储和分析。环境变量被广泛认为是测量变异性的来源，但作为主动推理输入的使用仍然有限。
7. 多模态融合与提出的天气感知框架
在审查证据中，没有单一传感模态在多样化田间条件下持续满足可靠早期RPW检测的综合要求。声学和振动声学传感可捕获与幼虫活动相关的信号，但易受环境噪声、传感器-茎干耦合和风致振动的影响。热成像检测侵染相关生理胁迫，但受太阳辐射和环境条件影响。RGB和无人机成像主要捕获通常在更晚期阶段出现的外部可见冠层症状。在审查语料库中，七项研究在统一RPW检测或监测工作流中使用了两个或更多传感或信息源，结合声学信号、RGB和热成像、无人机和多光谱传感、微波后向散射和地理空间信息。大多数实现仅集成两种模态。基于审查证据，本文提出一个六层天气感知AI框架作为未来智能RPW监测系统的参考架构。第1层多模态数据采集协调互补传感器；第2层数据预处理应用模态特定去噪、增强、归一化和时间同步；第3层环境上下文纳入风速、环境温度、相对湿度、降雨和太阳辐射等变量；第4层自适应AI融合引擎结合可用模态证据；第5层可解释性和不确定性提供模态和特征级归因、不确定性估计和低置信度案例的弃权或转介机制；第6层决策支持和警报将预测转化为操作输出。该框架是架构无关的，可使用云、边缘或混合IoT模式实现，但尚未作为集成系统进行实验验证。
8. 数据集、基准与评估局限性
RPW检测研究的可靠性取决于用于模型开发和评估的数据集的质量、多样性、可访问性和文档记录。审查文献揭示了一个碎片化的格局，特点是公共可用性有限，且高度依赖机构或项目特定语料库。TreeVibes是少数可公开访问的声学资源之一，在RPW导向的机器学习研究中被重用，但其生物学来源需要明确限定。原始记录主要来自受天牛蛀虫Xylotrechus chinensis影响的桑树，而非受RPW侵染的椰枣树。该资源应被视为跨物种木蛀虫代理而非RPW原生基准。公共RPW成像资源仍然稀缺。一项研究报告了来自巴基斯坦Khairpur 179株椰枣树的832张RGB和热图像数据集，这是一个有价值但单点的资源。RPW数据集在模态、采集设置、生物学表示和标注设计上差异很大。几个反复出现的局限性制约了可靠性和泛化性：许多数据集较小或基于有限数量的独立棕榈、记录、图像或信号片段；大量信号窗口或图像裁剪不一定代表相同数量的独立棕榈、地点或采集会话，存在伪重复风险；地理集中度显著；环境和传感器位置元数据记录不一致；类别不平衡和采样偏差可能夸大准确性；网络来源图像通常过度代表晚期侵染。数据集异质性阻止了直接的模型间比较。随机分割记录、信号片段、帧或图像裁剪可将来自同一棕榈、记录会话或地点的观察同时置于训练和测试集中，造成数据泄漏和乐观估计。
9. 比较综合
审查技术解决不同的操作任务和生物学终点。目视检查、犬类筛查、声学传感和热成像主要用于棕榈水平评估；信息素诱捕监测成虫种群活动；无人机系统支持果园尺度监测；DAS、微波传感和多模态AI代表新兴架构。操作成熟度与隐蔽侵染敏感性之间存在反复出现的权衡。目视检查是已确立的棕榈水平巡查实践，而信息素诱捕是已确立的种群监测方法，但两者均不提供早期内部侵染的直接信息。接触式声学传感为检测外部症状出现前的活跃幼虫取食提供了生物学上合理的途径，尽管敏感性取决于侵染阶段、传感器耦合、棕榈特征和背景噪声。网络化振动声学系统可实现连续监测，但源自多物种语料库的结果在泛化至RPW专属田间部署时需要谨慎解释。热成像和无人机多传感器系统提供非接触替代方案，其最强证据涉及已确立的侵染或严重生理和结构效应，而非生物学确认的早期侵染。证据不支持基于周的通用检测时间线，因为侵染进展随棕榈物种、气候、幼虫数量、侵染深度和传感器配置而变化。阶段导向的解释更为合适。没有审查的田间可部署技术展示了对卵或生物学不活跃早期侵染阶段经过验证的直接检测。声学和DAS方法在活跃幼虫取食期间最相关。热和光谱方法在组织损伤、水分状态改变或冠层胁迫产生可测量生理变化时更具信息性。环境条件是域偏移的主要来源。声学和DAS系统受风、灌溉、机械、野生动物、传感器耦合和温度依赖性幼虫活动影响。热和无人机方法受太阳载荷、环境温度、湿度、阴影、视角几何、冠层结构和采集时间影响。
10. 研究空白与未来方向
综合识别出八个目前限制RPW检测从实验可行性向可靠操作部署转变的研究优先事项。RG-1可靠早期阶段检测：没有审查的田间可部署技术展示了对卵或生物学不活跃早期侵染阶段经过验证的直接检测。RG-2 RPW原生基准基础设施：现有数据集碎片化、地理受限，部分为跨物种。需要符合FAIR原则的多地点、多季节RPW基准，包括持久棕榈标识符、版本化公共开发分区、可重复公共基线和独立管理的隐藏测试集。RG-3前瞻性多地点验证：当前大部分证据来自受控实验、人工侵染、单点或回顾性分析。数据分区应在棕榈、会话、农场或地点水平应用以防止泄漏。RG-4可解释性和决策问责：审查语料库中公认可解释AI方法很少应用，没有研究定量评估解释保真度、稳定性或决策效用。RG-5实验验证的多模态融合：现有融合研究常依赖独立获取的模态数据集、松散对齐的观察或决策级组合，而非来自同一棕榈的时间同步测量。RG-6天气感知和域自适应推理：环境变量常被视为事后局限性而非操作输入。RG-7边缘AI和资源效率基准：边缘适用性常在没有系统嵌入式硬件评估的情况下被声称。RG-8阶段和严重程度感知诊断：二元健康-侵染标签占主导，而经过验证的进展和严重程度标注仍然罕见。
11. 结论
本系统综述综合了56项原始研究，主要发表于2015年至2026年7月，连同选定的2015年前奠基性贡献，评估了用于红棕象甲侵染早期检测和监测的主要技术。审查证据涵盖了传统检查和诱捕、声学和振动声学传感、热和光学成像、无人机监测、人工智能、物联网系统、分布式声学传感、微波方法和多模态架构。证据表明自动化RPW监测取得了实质性进展，特别是在声学信号分类、热图像分析和遥感领域。然而，高报告性能经常在涉及小数据集、受控实验、人工侵染、代理物种或非标准化评估程序的研究特定条件下获得。因此，报告准确率不应被解释为田间有效性的直接可比指标。成熟的监测实践（包括目视检查和信息素诱捕）在操作上可扩展，但提供关于单株棕榈隐蔽侵染的信息有限。新兴技术为内部或症状前检测提供了更大潜力，尽管其就绪度受限于有限的外部验证、环境敏感性和不确定的部署成本。本综述的主要贡献不是检测技术的排名，而是对其操作目的、生物学覆盖、环境鲁棒性和技术就绪度的综合评估。未来进展应通过生物学验证的早期检测、校准的不确定性、外部田间性能、可重复性和操作效用来评估，而非仅凭分类准确率。
