计算机科学 > 声音
[提交于 2025年7月17日
]
标题: 基于CNN-LSTM网络和MFCC声学特征的家具侵害性蛀木甲虫早期检测
标题: Early Detection of Furniture-Infesting Wood-Boring Beetles Using CNN-LSTM Networks and MFCC-Based Acoustic Features
摘要: 结构性害虫,如白蚁,对木结构建筑构成严重威胁,由于其隐蔽性和渐进性损害,导致重大经济损失。传统的检测方法,如目视检查和化学处理,具有侵入性、劳动密集且对早期感染无效。为弥补这一差距,本研究提出了一种基于深度学习的非侵入性声学分类框架,用于早期白蚁检测。我们旨在开发一种稳健、可扩展的模型,能够区分白蚁产生的声学信号和背景噪声。我们引入了一种混合卷积神经网络长短期记忆架构,以捕捉白蚁活动的空间和时间特征。音频数据从受白蚁侵害和干净的木样中收集。我们提取了梅尔频率倒谱系数并训练了CNN LSTM模型来分类信号。实验结果表现出高性能,准确率为94.5%,精确率为93.2%,召回率为95.8%。比较分析表明,混合模型优于独立的CNN和LSTM架构,突显了其结合的优势。值得注意的是,该模型产生较低的假阴性率,这对于实现及时干预至关重要。这项研究提供了一种非侵入性的自动化解决方案,用于早期白蚁检测,具有改善害虫监测、最小化结构损坏和帮助房主及害虫控制专业人员做出更好决策的实际意义。未来的工作可能整合物联网以实现实时警报,并将检测扩展到其他结构性害虫。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.