BDL-Net：一种基于物联网声音分析的混合深度学习方法，用于农业害虫检测

《Scientific Reports》：BDL-Net: A blended deep learning approach for pest detection in agriculture using IoT-enabled sound analysis

　　

摘要

全球农业已经发展到一种能够高效运用高科技农业技术的阶段，这堪称农业历史上的一个转折点。这一变化得益于信息技术及其相关产业的发展。然而，农作物害虫却是破坏耕地的主要因素，会对经济、环境和社会造成严重危害。因此，在害虫造成重大损害之前及时识别它们显得尤为重要。近年来，基于机器学习的研究大多集中在农业领域。本研究旨在利用先进的害虫声音分析技术和物联网技术，为大规模农业区域中的害虫监测提供一种实用方法。所提出的系统采用了多种基于分析的音频预处理方法，包括PLP、频谱质心算法、FFT、DFT、汉宁窗、维纳滤波器和汉明窗等。训练过程使用了30种害虫的3000段声音样本，通过金字塔注意力图多模块DCNN（BDL-Net）中的POS模块来提取这些样本的特征和统计信息。CSPNet、CTA、MPF、GPE和RegNet等模块则是集成在BDL-Net框架中的众多关键辅助模块的示例。实验结果显示，该模型的准确率为99.86%，灵敏度为99.94%，特异性为99.61%，召回率为99.94%，精确率为99.87%，F1值为99.91%，表明该模型能够以高精度识别害虫，其性能优于现有的DenseNet、DCNN、ResNet-50、YOLONDD、YOLOv8、DMAUS-Net以及Pest-PVT、改良版CBAM、DB-CAFNet和DNN模型。这项研究具有重要意义，因为它能够在害虫危害初期就检测出大面积农业区域中的害虫，从而提高作物产量，进而推动国家乃至全球的经济发展以及农民的收入增长。