Репортаж от Wedoany，Гидротехнические сооружения являются ключевой инфраструктурой, обеспечивающей национальную безопасность в области предотвращения наводнений, водоснабжения, продовольственную и экологическую безопасность. Их безопасная и стабильная работа напрямую связана с безопасностью жизни и имущества населения, устойчивым социально-экономическим развитием, а также здоровьем и балансом экосистем. Термиты являются «скрытым убийцей» для дамб гидротехнических сооружений, отличаясь высокой скрытностью, быстрыми темпами размножения, широким спектром поражения и серьезными последствиями. Длительное гнездование внутри дамб и прокладка разветвленных ходов напрямую разрушают целостность и стабильность грунта, увеличивая его пористость и снижая прочность на сдвиг. В период паводков при высоком уровне воды это может легко вызвать такие серьезные аварии, как трубчатый вынос, фильтрация, оползни и даже прорыв дамбы, что приводит к огромным потерям. Во время катастрофического наводнения на реке Янцзы в 1998 году около 80% аварийных ситуаций на дамбах были вызваны деятельностью термитов, что полностью подчеркивает важность борьбы с термитами в управлении безопасностью гидротехнических сооружений.

Общая протяженность существующих дамб в Китае превышает 300 000 км, многие из них были построены в 1950–1970-х годах, отличаются низкими строительными стандартами, длительным сроком эксплуатации и ограниченными условиями обслуживания, что делает проблему поражения термитами особенно острой. По статистике, уровень поражения термитами дамб в южных бассейнах рек Янцзы, Чжуцзян и Хуайхэ превышает 60%, а на старых дамбах этот показатель достигает более 80%. С глобальным потеплением климата ареал распространения термитов постоянно расширяется на север, а степень поражения продолжает усиливаться, что ставит перед работой по борьбе с термитами на гидротехнических сооружениях беспрецедентные вызовы.

Долгое время мониторинг термитов на гидротехнических сооружениях в Китае в основном опирался на традиционные методы, такие как ручной осмотр, приманочный сбор и контрольное вскрытие. Эти методы не только требуют больших трудозатрат, имеют низкую эффективность мониторинга и ограниченный охват, но и сильно зависят от опыта персонала, что приводит к таким серьезным проблемам, как запаздывание реакции, высокий уровень ошибочных суждений и множество «слепых зон» мониторинга, что затрудняет раннее обнаружение и предварительное предупреждение о скрытой угрозе термитов. С быстрым развитием технологий Интернета вещей (IoT), искусственного интеллекта (AI) и сенсорных технологий, автоматизированные и интеллектуальные технологии мониторинга термитов постепенно становятся предметом исследований. Устройства мониторинга, основанные на одной модальности (визуальной, акустической, температурной), постепенно внедряются в инженерную практику, но все еще сталкиваются со значительными техническими ограничениями: визуальная модальность подвержена влиянию темноты, влажности, заиливания и посторонних предметов под землей, что приводит к низкой частоте обнаружения мелких целей термитов размером 3–5 мм и серьезным проблемам пропусков; акустическая модальность легко подвержена помехам от окружающего шума, такого как дождь, вибрация почвы, активность насекомых и грызунов, шум воды, что приводит к плохой адаптации к окружающей среде и уровню ложных срабатываний, обычно превышающему 8%; температурная модальность может идентифицировать только явные тепловые аномалии от крупных гнезд, но не способна улавливать слабые сигналы повышения температуры от отдельных особей на начальных этапах активности, что создает высокий риск пропуска сигнала. Кроме того, одной модальности не хватает эффективного механизма перекрестной верификации, и в сложных и изменчивых условиях гидротехнических сооружений трудно одновременно обеспечить высокий уровень распознавания и низкий уровень ложных срабатываний и пропусков, что не позволяет удовлетворить реальные потребности инженерного мониторинга.

В настоящее время как в Китае, так и за рубежом еще не сформирована зрелая технологическая система многомодального кооперативного восприятия и глубокой интеграции для мониторинга термитов. Зарубежные устройства для мониторинга термитов в основном основаны на одной модальности и имеют такие проблемы, как низкая точность распознавания, короткое время автономной работы, высокая стоимость и непригодность для сложных гидротехнических условий Китая. Отечественные исследования в этой области начались относительно поздно; большинство существующих продуктов используют технологию одного датчика, а некоторые попытки многомодальной интеграции страдают от недостаточной глубины интеграции, низкой робастности алгоритмов и низкой степени инженерной реализации, что не позволяет достичь эффективной координации и точной интеграции многомодальных данных и удовлетворить реальные потребности мониторинга термитов на гидротехнических сооружениях.

В связи с этим данная статья посвящена разработке и проверке применения подземного пассивного устройства для мониторинга термитов, основанного на ключевой технологии «визуально-акустико-температурной» трехмодальной интеграции. Основное внимание уделяется прорыву в таких ключевых технологиях, как получение многомодальных данных, предварительная обработка, интеграция признаков, принятие решений и верификация, а также идентификация видов и каст термитов, прогнозирование местоположения гнезд. Посредством обширных лабораторных испытаний и полевых применений на гидротехнических объектах по всему Китаю всесторонне проверяются производительность и практичность устройства, обеспечивая реализуемую и масштабируемую ключевую технологическую поддержку для интеллектуального мониторинга и раннего предупреждения о термитах на гидротехнических сооружениях, способствуя переходу борьбы с термитами в китайских гидротехнических сооружениях от «ручного осмотра и последующего устранения» к «интеллектуальному мониторингу и предварительному предупреждению».

Построение многомодальной сенсорной системы и получение данных

1. Конфигурация многомодальных датчиков и характеристики сигналов

Устройство многомодального мониторинга использует интегрированную пассивную подземную конструкцию, не требует внешнего питания и проводки, может быть непосредственно закопано в зонах высокой активности термитов. В качестве основных сенсорных элементов используются три типа датчиков: изображения, звука и температуры, что позволяет построить многомерную систему кооперативного восприятия активности термитов, обеспечить синхронный сбор многоканальных сигналов в одном и том же пространстве и в один и тот же момент времени, предоставляя высококачественную поддержку данных для последующей многомодальной интеграции и распознавания.

Визуальное модальное восприятие: используется высокоразрешающий CMOS-сенсор на 5 мегапикселей и широкоугольный объектив с низкими искажениями (120°). Параметры экспозиции и стратегия фокусировки оптимизированы для мелких целей термитов, что позволяет четко распознавать особей размером от 3 мм. Для адаптации к слабому освещению и влажной скрытой среде под землей применяется схема формирования изображения при низкой освещенности (минимальная освещенность 0,01 лк) в сочетании с адаптивным алгоритмом шумоподавления и алгоритмом повышения контрастности, что эффективно подавляет шумовые помехи в подземной среде, обеспечивая стабильный вывод таких ключевых характеристик, как форма, текстура поверхности, траектория движения и плотность популяции термитов, даже без внешнего источника света, предоставляя четкие и эффективные данные изображений для визуального распознавания.

Акустическое модальное восприятие: используется высокочувствительный MEMS-акустический датчик (-30 дБ) для улавливания слабых акустических сигналов, возникающих при питании (грызение древесины, грунта), передвижении и трофаллаксисе термитов.

Температурное модальное восприятие: используется высокоточный NTC-температурный датчик с диапазоном измерения от -40 до 85°C, точностью ±0,1°C и временем отклика ≤100 мс, способный точно улавливать сигналы локального микроповышения температуры на 0,3–1,5°C, вызванные метаболической активностью колонии термитов. Датчики размещаются по нескольким точкам: внутри устройства равномерно установлены 3 точки измерения температуры. Посредством непрерывной выборки и алгоритма скользящего среднего в реальном времени отслеживаются тенденции изменения температуры, что позволяет эффективно отличать сигналы метаболического тепла термитов от таких помех, как естественные тепловые возмущения почвы, солнечное излучение и теплопроводность воды, обеспечивая надежные температурные данные для температурного распознавания.

2. Интегрированное восприятие температуры и влажности и экологическая компенсация

Условия на гидротехнических объектах сложны и изменчивы. Такие факторы окружающей среды, как высокая влажность и экстремальные перепады температур, могут вызывать дрейф показаний температурных датчиков, влияя на надежность распознавания температурной модальности. Для решения этой проблемы в данном исследовании разработана логика интегрированного восприятия температуры и влажности и экологической компенсации, обеспечивающая совместную работу датчиков влажности и температуры для точной коррекции температурных сигналов и повышения помехоустойчивости. Конкретная логика реализации следующая: во-первых, синхронно собираются данные об окружающей температуре и относительной влажности; на основе большого объема экспериментальных данных об активности термитов строится корреляционная модель «температура-влажность-активность термитов», определяющая интенсивность активности и характеристики метаболического тепла термитов при различных условиях температуры и влажности, что обеспечивает теоретическую основу для последующей интеграции и распознавания. Во-вторых, когда относительная влажность окружающей среды >85%, запускается алгоритм компенсации температурного дрейфа, который в реальном времени корректирует данные измерений температуры в зависимости от корреляции между значением влажности и величиной температурного дрейфа, исправляя ошибки измерения датчика в условиях высокой влажности и обеспечивая точность температурных данных. В-третьих, устанавливается зона высокой активности термитов (температура 25–30°C, влажность 60–80%). В этом диапазоне термиты активны, сигнал метаболического тепла очевиден, поэтому соответствующим образом повышается весовой коэффициент тепловой достоверности на выходе температурной модальности для повышения чувствительности распознавания. В-четвертых, в экстремальных диапазонах температуры и влажности (температура <15°C или >35°C, влажность <40% или >90%) интенсивность активности термитов значительно снижается, сигнал метаболического тепла слабый, поэтому соответствующим образом повышается порог достоверности одной модальности, чтобы избежать ошибочных суждений, вызванных факторами окружающей среды, и обеспечить робастность интегрированного распознавания.

Экспериментально подтверждено, что механизм интеграции температуры и влажности повышает стабильность температурной модальности в сложных условиях, таких как южный сезон дождей, прибрежная высокая влажность и низкие температуры на севере, более чем на 12%, а погрешность измерения температуры контролируется в пределах ±0,2°C, что обеспечивает более надежный температурный вход для многомодального интегрированного распознавания.

3. Синхронизация и предварительная обработка многомодальных данных

Временная синхронизация и пространственная привязка многомодальных данных являются предпосылкой для эффективной интеграции. В данном устройстве используется схема синхронизации на основе аппаратных временных меток: для трех типов датчиков (изображения, звука, температуры) настраивается единый модуль тактовой синхронизации, обеспечивающий погрешность синхронизации времени сбора трех типов сигналов ≤10 мс, что позволяет строго выровнять многоканальные сигналы, полученные в один момент времени и в одной области. Одновременно применяется конструкция пространственной привязки: датчики температуры и звука размещаются на той же стороне, что и зона визуального сбора, чтобы гарантировать, что все три типа датчиков контролируют одно и то же пространство, избегая проблемы несоответствия признаков из-за пространственного смещения.

Из-за сложности подземной среды собираемые многомодальные данные содержат большое количество шумовых помех (например, заиливание на изображениях, фоновый шум в звуке, мгновенные скачки температуры). Для повышения качества данных и создания основы для последующего извлечения признаков и интегрированного распознавания необходима процедура предварительной обработки. Конкретный процесс предварительной обработки выглядит следующим образом.

① Предварительная обработка данных изображения: сначала применяется фильтр Гаусса для удаления гауссовского шума, затем алгоритм выравнивания гистограммы для повышения контрастности изображения и улучшения различимости целей термитов на фоне. Для мелких целей термитов в подземной среде применяется алгоритм усиления мелких целей, который увеличивает и усиливает признаки крошечных областей на изображении, чтобы избежать пропуска мелких целей. Наконец, с помощью морфологической обработки (расширение, эрозия) удаляются мелкие примеси на изображении, сохраняя полные морфологические признаки целей термитов.

② Предварительная обработка звуковых данных: применяется полосовой фильтр для подавления шумовых сигналов вне диапазона 100–500 Гц, затем алгоритм вейвлет-шумоподавления для удаления высокочастотных помех и импульсного шума. Очищенный звуковой сигнал разбивается на кадры (длина кадра 256 мс, сдвиг кадра 128 мс). Из каждого кадра извлекаются ключевые акустические признаки, такие как кратковременная энергия, частота пересечения нуля, спектральная энтропия и мел-частотные кепстральные коэффициенты (MFCC), формируя вектор акустических признаков. Наконец, с помощью нормализации вектор признаков приводится к единому измерению для удобства последующих интеграционных вычислений.

③ Предварительная обработка температурных данных: применяется алгоритм скользящего среднего (размер окна 5) для удаления аномальных мгновенных скачков в температурных данных и сглаживания кривой изменения температуры. Вычисляется разность температур между соседними точками выборки для получения характеристики скорости повышения температуры. Выполняется интерполяция данных от нескольких точек измерения для построения двумерного температурного поля, извлекаются такие признаки, как температурный градиент и область тепловой аномалии. Наконец, с помощью нормализации температурные признаки приводятся к одному измерению с признаками изображения и звука, обеспечивая совместимость алгоритма интеграции.

Алгоритм многомодальной интеграции данных и оптимизация модели AI

1. Двухуровневая архитектура интеграции «уровень признаков + уровень решений»

Для преодоления ограничений распознавания на основе одной модальности и достижения эффективной координации и точной интеграции многоканальных данных в данном исследовании разработана двухуровневая архитектура интеграции, сочетающая интеграцию на уровне признаков и интеграцию на уровне решений. Это повышает точность и робастность распознавания на двух уровнях: выражение признаков и принятие решений, формируя полный процесс распознавания: «сбор данных — предварительная обработка — извлечение признаков — интеграция признаков — принятие решений».

(1) Алгоритм интеграции на уровне признаков

Интеграция на уровне признаков заключается в глубокой интеграции признаков, извлеченных из трех модальностей (изображение, звук, температура), для формирования более репрезентативного объединенного вектора признаков, компенсируя недостатки признаков одной модальности и улучшая способность выражения признаков мелких целей термитов. Конкретный процесс реализации выглядит следующим образом.

① Извлечение ключевых признаков из трех модальностей. Признаки изображения извлекаются с помощью оптимизированной магистральной сети (CSPNet) модели YOLOv10-M, получая 256-мерный вектор глубоких сверточных признаков, содержащий ключевую информацию о форме и текстуре термитов. Акустические признаки извлекаются с помощью MFCC, получая 128-мерный вектор акустических признаков, содержащий информацию о частоте и энергии звуков активности термитов. Температурные признаки извлекаются на основе температурного градиента и скорости повышения температуры, получая 64-мерный вектор температурных признаков, содержащий информацию о закономерностях изменения метаболического тепла термитов.

② Используется комбинация конкатенации признаков и механизма внимания для достижения глубокой интеграции трех типов признаков. Векторы признаков изображения, звука и температуры конкатенируются, образуя 448-мерный исходный объединенный вектор признаков. Вводится механизм внимания по каналам (SE-Net), который распределяет веса по различным каналам объединенного вектора признаков, уделяя особое внимание каналам признаков, связанным с распознаванием термитов (например, каналы морфологических признаков в изображении, каналы характерных частотных диапазонов в звуке, каналы признаков повышения температуры), и подавляя помехи от нерелевантных каналов, повышая репрезентативность объединенного вектора.

③ Выполняется снижение размерности объединенного вектора признаков с помощью алгоритма главных компонент (PCA). Размерность вектора снижается с 448 до 128, удаляются избыточные признаки, уменьшается объем вычислений, при этом сохраняются ключевые идентификационные признаки, обеспечивая эффективный вход для последующей интеграции на уровне решений и распознавания моделью AI.

(2) Алгоритм интеграции на уровне решений

Интеграция на уровне решений основана на интеграции на уровне признаков и включает перекрестную верификацию и комплексное принятие решений по результатам распознавания трех модальностей, что дополнительно повышает надежность распознавания и снижает уровень ложных срабатываний и пропусков. В данном исследовании разработан механизм голосования по трем модальностям на основе порогов достоверности. Конкретная логика принятия решений следующая.

① Вычисление достоверности распознавания одной модальности. Выполняется распознавание по каждой из трех модальностей (изображение, звук, температура) и вычисляется их собственная достоверность распознавания. Для визуальной модальности оптимизированная модель YOLOv10-M выводит достоверность распознавания изображения (диапазон 0–1). Для акустической модальности модель SVM выводит степень соответствия акустических признаков (диапазон 0–1). Для температурной модальности логика определения температурной аномалии выводит тепловую достоверность (диапазон 0–1).

② Установка порогов достоверности. На основе большого объема лабораторных тестовых данных и полевых данных с помощью статистического анализа определяются пороги достоверности распознавания для трех модальностей: достоверность распознавания изображения ≥0,90, степень соответствия акустических признаков ≥0,85, тепловая достоверность ≥0,80 (соответствует продолжительности температурной аномалии ≥30 с и повышению температуры ≥0,3°C). Установка порогов в полной мере учитывает робастность распознавания в различных условиях, избегая как пропусков из-за слишком высоких порогов, так и ложных срабатываний из-за слишком низких порогов.

③ Правила голосования и принятия решений. Используется правило голосования «все три условия выполнены», то есть только когда достоверность распознавания всех трех модальностей (изображение, звук, температура) достигает соответствующих порогов, выносится решение «активность термитов обнаружена» и инициируется сигнал тревоги. Если достоверность хотя бы одной модальности не достигает порога, выносится решение «активность термитов не обнаружена», и сигнал считается помехой. Одновременно вводится механизм непрерывного обнаружения: одно и то же устройство должно зафиксировать активность термитов три раза подряд (с интервалом 30 секунд между обнаружениями), прежде чем будет официально подан сигнал тревоги, что дополнительно снижает количество ложных срабатываний из-за случайных помех.

Экспериментально подтверждено, что данный механизм интеграции на уровне решений снижает уровень ложных срабатываний устройства с более чем 8% (для традиционной одной модальности) до 0,92%, а уровень пропусков — до 0,3%, что значительно повышает надежность распознавания.

2. Ключевые технологии интеграции температурной модальности

Температурная модальность является ключевым компонентом трехмодальной интеграции, и ее точность распознавания напрямую влияет на общий эффект интеграции. Для решения проблемы слабости сигналов метаболического тепла термитов в подземной среде и их подверженности влиянию окружающей среды данное исследование сосредоточено на разработке ключевых технологий интеграции температурной модальности, включая три модуля: логика определения микроповышения температуры, локализация температурного поля и прогнозирование гнезда, а также фильтрация температурных помех, что повышает точность распознавания и помехоустойчивость температурной модальности.

(1) Логика определения микроповышения температуры

Сигналы микроповышения температуры (0,3–1,5°C), вызванные активностью колонии термитов, чрезвычайно слабы и легко путаются с естественными тепловыми возмущениями почвы. Для этого разработана логика определения микроповышения температуры на основе координации нескольких точек измерения. Конкретный процесс: ① Определение по одной точке: если разность температур на одной точке измерения при трех последовательных выборках (интервал выборки 10 с) ≥0,3°C и продолжительность ≥30 с, эта точка маркируется как «точка тепловой аномалии». ② Координированное определение по нескольким точкам: если три соседние точки измерения одновременно маркируются как «точки тепловой аномалии» и область тепловой аномалии ≥5 см × 5 см, то выносится решение «тепловая аномалия скопления термитов», что исключает ошибочные суждения из-за неисправности одной точки или локального теплового возмущения почвы. ③ Коррекция по температуре и влажности: с использованием данных о влажности, собранных за тот же период, и на основе корреляционной модели «температура-влажность-активность термитов» выполняется коррекция тепловой достоверности. Если устройство находится в диапазоне высокой активности термитов по температуре и влажности, тепловая достоверность соответствующим образом повышается, в противном случае — понижается, что дополнительно повышает точность определения.

(2) Локализация температурного поля и прогнозирование гнезда

На основе данных о температуре от нескольких точек строится двумерная модель температурного поля, позволяющая определить центр скопления термитов и спрогнозировать местоположение гнезда, обеспечивая точное позиционирование для полевых работ. Конкретный метод реализации: ① Построение температурного поля: с помощью кригинг-интерполяции по данным от трех точек измерения строится двумерное температурное поле в радиусе 1 м вокруг устройства, наглядно отображающее закономерности распределения температуры. ② Локализация центра скопления: определяется высокотемпературная область в температурном поле, вычисляется ее геометрический центр, который и является центром скопления термитов. Погрешность локализации ≤0,5 м. ③ Прогнозирование гнезда: на основе привычек гнездования термитов и характеристик температурного поля, а также исторических данных строится модель прогнозирования местоположения гнезда. По таким параметрам, как температурный градиент в высокотемпературной области, продолжительность тепловой аномалии и размер области, прогнозируется глубина и размер гнезда (погрешность прогноза глубины гнезда ≤0,3 м), что обеспечивает точное руководство для полевых раскопок и сокращает ненужные вскрытия.

(3) Фильтрация температурных помех

Температурные помехи в подземной среде в основном включают солнечное излучение, теплопроводность почвы и поглощение тепла при испарении влаги. Эти помеховые сигналы существенно отличаются от сигналов метаболического тепла термитов. С помощью анализа характеристик и алгоритмической фильтрации можно эффективно различать помеховые и полезные сигналы. Конкретные стратегии фильтрации: ① Фильтрация солнечного излучения: изменения температуры, вызванные солнечным излучением, характеризуются большой площадью, постепенностью и синхронностью; в температурном поле нет очевидного локального центра высокой температуры. Мониторинг пространственного распределения и скорости изменения температуры позволяет эффективно отфильтровывать такие помехи. ② Фильтрация теплопроводности почвы: изменения температуры, вызванные теплопроводностью почвы, характеризуются медленностью, глобальностью и отсутствием резких изменений; температурный градиент мал. Вычисление скорости изменения температуры и градиента позволяет отличить теплопроводность почвы от метаболического тепла термитов. ③ Фильтрация поглощения тепла при испарении влаги: изменения температуры, вызванные испарением влаги, характеризуются мгновенностью, локальностью и понижением температуры, что противоположно характеристике повышения температуры при метаболическом тепле термитов. Мониторинг тенденции изменения температуры (повышение/понижение) позволяет эффективно отфильтровывать такие помехи. Экспериментально подтверждено, что точность фильтрации температурных помех достигает 99,2%, что позволяет эффективно избегать ошибочных суждений, вызванных температурными помехами окружающей среды.

3. Оптимизация YOLOv10-M на основе многомодальных ограничений

YOLOv10-M, как легковесная модель обнаружения целей, обладает преимуществами высокой скорости обнаружения, высокой точности и малого количества параметров, что делает ее подходящей для развертывания на периферийных устройствах. Однако эта модель все еще имеет недостатки в распознавании мелких целей термитов и помехоустойчивости в сложных условиях. Поэтому, учитывая потребности многомодальной интеграции, модель YOLOv10-M была специально оптимизирована для повышения ее способности распознавать мелкие цели термитов и робастности. Конкретные меры оптимизации следующие.

① Добавление головы обнаружения мелких целей. Для мелких целей термитов размером 3–5 мм в модель YOLOv10-M добавлена новая голова обнаружения мелких целей (размер карты признаков на выходе 1024×1024), что усиливает способность извлекать и распознавать признаки мелких целей, повышая частоту их обнаружения. Одновременно скорректированы размеры якорей для головы обнаружения: в соответствии с фактическими размерами термитов (3–5 мм) разработаны 3 группы якорей (4×4, 5×5, 6×6), соответствующие морфологическим признакам мелких целей термитов, что уменьшает количество пропусков из-за несоответствия якорей.

② Введение механизма стробирования по температурным признакам. Вектор температурных признаков через стробирующий блок интегрируется в слой слияния признаков модели, обеспечивая синергию температурных и визуальных признаков. Когда температурные признаки обнаруживают тепловую аномалию, стробирующий блок открывается, усиливая вес распознавания целей термитов в визуальных признаках. Когда температурные признаки не показывают аномалии, стробирующий блок закрывается, снижая вес распознавания визуальных признаков, уменьшая количество ошибочных суждений по нецелевым объектам и повышая помехоустойчивость модели.

③ Интеграция акустических энергетических признаков. Признак кратковременной энергии из акустических признаков интегрируется в классификационную головку модели, работая совместно с визуальными признаками для классификации. Когда кратковременная энергия звука находится в характерном для активности термитов частотном диапазоне (100–500 Гц) и достигает порогового значения, повышается достоверность классификации модели для целей термитов; в противном случае достоверность классификации снижается, что дополнительно подавляет ошибочные суждения, вызванные фоновым шумом.

④ Сжатие модели для легкости. Используется технология дистилляции знаний: YOLOv10-L выступает в роли модели-учителя, а YOLOv10-M — модели-ученика. Знания модели-учителя переносятся в модель-ученика, что позволяет при сохранении точности распознавания сжать количество параметров модели на 60%, увеличить скорость вывода на 40% (время вывода одного кадра ≤20 мс), удовлетворить потребности мониторинга в реальном времени на периферийных устройствах, одновременно снижая энергопотребление устройства и продлевая время автономной работы.

Лабораторные испытания показали, что оптимизированная модель YOLOv10-M достигает точности распознавания мелких целей термитов 99,95%, что на 7,65% выше, чем у исходной модели. Уровень пропусков снизился до 0,3%, уровень ложных срабатываний — до 0,92%, что удовлетворяет требованиям к оперативности и точности мониторинга термитов на гидротехнических сооружениях.

4. Технология идентификации видов и каст термитов

Разные виды и касты термитов наносят различный ущерб дамбам. Точная идентификация видов и каст может обеспечить научную основу для целенаправленной борьбы и повысить ее эффективность. Основываясь на различиях в многомодальных признаках, в данном исследовании построена модель идентификации видов и каст термитов для распознавания 5 основных вредоносных видов (Odontotermes formosanus, Macrotermes barneyi, Coptotermes formosanus, Reticulitermes spp., Macrotermes annandalei) и 3 каст (рабочие, солдаты, репродуктивные особи), встречающихся на гидротехнических сооружениях Китая.

(1) Идентификация видов

Различные виды термитов имеют явные различия в морфологии, звуках и характеристиках метаболического тепла: рабочие особи Odontotermes formosanus имеют длину тела 3–4 мм, черно-коричневую окраску, частота звуков питания сосредоточена в диапазоне 200–300 Гц, повышение температуры от метаболического тепла 0,5–0,8°C; рабочие особи Macrotermes barneyi имеют длину тела 4–5 мм, светло-желтую окраску, частота звуков питания 150–250 Гц, повышение температуры 0,8–1,2°C; рабочие особи Coptotermes formosanus имеют длину тела 3–5 мм, молочно-белую окраску, частота звуков питания 250–350 Гц, повышение температуры 0,6–0,9°C; рабочие особи Reticulitermes spp. имеют длину тела 2–3 мм, серовато-белую окраску, частота звуков питания 100–200 Гц, повышение температуры 0,3–0,5°C; рабочие особи Macrotermes annandalei имеют длину тела 5–6 мм, желтовато-коричневую окраску, частота звуков питания 300–400 Гц, повышение температуры 1,0–1,5°C.

На основе этих различий построена многомодальная модель идентификации видов: морфологические признаки изображения, спектральные признаки звука и признаки повышения температуры интегрируются и подаются на вход классификатора SVM. После обучения на большом количестве образцов достигается точная идентификация 5 видов. Тесты показали, что точность идентификации видов >98%, при этом точность идентификации Odontotermes formosanus и Macrotermes barneyi превышает 99%.

(2) Идентификация каст

Разные касты одного и того же вида (рабочие, солдаты, репродуктивные особи) имеют значительные различия в морфологии, поведении и метаболических характеристиках: рабочие особи имеют меньший размер, в основном занимаются питанием и строительством гнезда, активны, метаболическое тепло слабое; солдаты имеют больший размер, развитую голову, агрессивны, частота активности ниже, метаболическое тепло среднее; репродуктивные особи имеют самый большой размер, имеют крылья, активность сосредоточена в период размножения, метаболическое тепло сильное.

На основе этих различий, после идентификации вида, реализуется дальнейшая идентификация касты: с помощью признаков изображения различаются размер и форма, с помощью акустических признаков различаются частота активности и характеристики звукового сигнала, с помощью температурных признаков различается метаболическое тепло. Строится многомодальная субмодель идентификации каст, позволяющая точно различать рабочих, солдат и репродуктивных особей с точностью >98%. Точность идентификации солдат достигает 99,2%, что может обеспечить точное руководство для целенаправленной борьбы (например, применение специальных препаратов против солдат).

Экспериментальные испытания и проверка применения на гидротехнических объектах

1. Лабораторные испытания производительности

Для всесторонней проверки ключевых показателей устройства, таких как многомодальная производительность распознавания, адаптация к окружающей среде и время автономной работы, были проведены систематические испытания в специализированной лаборатории термитов. Испытательная среда имитировала подземные скрытые условия гидротехнических сооружений. Были сформированы группы образцов термитов и группы помех. Сравнивалась производительность распознавания одной модальности и трехмодальной интеграции. Также тестировались адаптация к окружающей среде и время автономной работы, чтобы убедиться, что устройство соответствует реальным инженерным требованиям.

(1) Испытание производительности распознавания

Были отобраны образцы рабочих, солдат и репродуктивных особей 5 вышеуказанных основных вредоносных видов, по 100 особей каждого вида и каждой касты, всего 1500 образцов термитов. Образцы помех включали распространенных подземных организмов, таких как муравьи, тараканы и дождевые черви, а также сигналы помех окружающей среды, такие как вибрация почвы, шум дождя и шум воды, всего 500 групп образцов помех. Образцы термитов и помех помещались в тестовые боксы, имитирующие подземную среду. Устройства мониторинга развертывались и вели непрерывный мониторинг в течение 72 часов. Регистрировались результаты распознавания и сигналы тревоги устройства. Вычислялись ключевые показатели: частота распознавания, точность сигналов тревоги, уровень ложных срабатываний, уровень пропусков. Одновременно тестировалась производительность распознавания одной визуальной, одной акустической и одной температурной модальности для сравнения с производительностью трехмодальной интеграции.

Результаты испытаний показали, что при трехмодальной интеграции общая частота распознавания термитов составила 99,96%, в том числе для Odontotermes formosanus — 99,98%, Macrotermes barneyi — 99,97%, Coptotermes formosanus — 99,96%, Reticulitermes spp. — 99,95%, Macrotermes annandalei — 99,94%. Точность сигналов тревоги составила 99,08%. Уровень ложных срабатываний — 0,92%. Уровень пропусков — 0,3%. Для одной визуальной модальности частота распознавания составила 92,3%, уровень ложных срабатываний — 7,8%, уровень пропусков — 7,7%. Для одной акустической модальности — 89,5%, 9,1% и 10,5% соответственно. Для одной температурной модальности — 85,7%, 6,3% и 12,4% соответственно.

Таким образом, производительность трехмодальной интеграции значительно превосходит производительность одной модальности, эффективно решая проблемы низкой точности и высокого уровня ложных срабатываний и пропусков, присущие одной модальности. Это позволяет точно распознавать мелкие цели термитов и удовлетворяет требованиям к точности мониторинга термитов на гидротехнических сооружениях.

(2) Испытание на адаптацию к окружающей среде

Учитывая сложные и изменчивые условия на гидротехнических объектах, были проведены испытания на адаптацию к окружающей среде, включая испытания на высокие и низкие температуры, водонепроницаемость, солевой туман и высокую влажность, чтобы проверить способность устройства стабильно работать в различных условиях.

① Испытание на высокие и низкие температуры. Устройство помещалось в климатические камеры с температурами -20°C, -10°C, 0°C, 25°C и 55°C и работало непрерывно в течение 72 часов. Состояние работы и производительность распознавания регистрировались каждые 12 часов. Результаты показали, что устройство нормально работает в диапазоне температур от -20°C до 55°C, частота распознавания стабильно превышает 99,5%, отказов не зафиксировано, что позволяет использовать его в различных климатических зонах страны.

② Испытание на водонепроницаемость. Устройство погружалось в тестовый бокс с водой на глубину 1,5 м на 30 минут. После извлечения проверялось наличие воды внутри устройства, а также его рабочее состояние и производительность распознавания. Результаты показали, что вода внутрь устройства не попала, работа нормальная, частота распознавания сохраняется на уровне выше 99,9%. Степень защиты соответствует IP68, что удовлетворяет требованиям использования в условиях скопления паводковых вод и сильных дождей.

③ Испытание на солевой туман. Устройство помещалось в камеру солевого тумана (5% раствор хлорида натрия) на 48 часов. После испытания проверялась коррозия корпуса и металлических частей, а также рабочее состояние и производительность распознавания. Результаты показали, что корпус и металлические части не имеют явной коррозии, работа нормальная, частота распознавания сохраняется на уровне выше 99,5%, что удовлетворяет требованиям использования в прибрежных условиях с солевым туманом.

④ Испытание на высокую влажность. Устройство помещалось в камеру с относительной влажностью 95% и работало непрерывно в течение 72 часов. Тестировались рабочее состояние и производительность распознавания. Результаты показали, что устройство работает нормально, частота распознавания сохраняется на уровне выше 99,8%, механизм компенсации температуры и влажности эффективен, дрейфа показаний температуры и ошибочных суждений не наблюдается, что удовлетворяет требованиям использования в условиях высокой влажности на юге.

(3) Испытание времени автономной работы

Устройство оснащено литий-тионилхлоридной батареей большой емкости (38 А·ч) и имеет конструкцию с низким энергопотреблением. Для тестирования времени автономной работы имитировался реальный рабочий сценарий: устройство работало по стратегии «пробуждение 1 раз каждые 30 минут ночью, работа 20 секунд; пробуждение 1 раз каждый час днем, работа 20 секунд». Регистрировался расход заряда батареи. Результаты показали, что среднее энергопотребление устройства составляет 0,012 мВт, а время автономной работы достигает 4,8 лет, что удовлетворяет инженерным требованиям «одна установка, четыре года без обслуживания», исключая необходимость частой замены батарей и уменьшая повреждение структуры дамбы.

2. Полевая проверка применения на гидротехнических объектах

Для проверки производительности и практичности устройства в реальных условиях гидротехнических сооружений была проведена полевая проверка применения на 182 гидротехнических объектах по всему Китаю, охватывающих основные речные бассейны (Янцзы, Чжуцзян, Хуайхэ, Хуанхэ), различные типы гидротехнических сооружений (водохранилища, дамбы, шлюзы) и типичные условия окружающей среды (высокая температура и влажность на юге, холмистая местность в центре, низкие температуры на севере, прибрежный солевой туман). Всего было развернуто более 2300 устройств, площадь мониторинга превысила 5 млн м². Параллельно были организованы традиционные точки мониторинга (ручной осмотр + приманочный сбор) в качестве контроля для сравнительного анализа эффективности применения устройства.

(1) Классификация сценариев применения и схема развертывания

В зависимости от типа гидротехнического сооружения и особенностей поражения термитами сценарии применения были разделены на 4 категории с использованием стандартизированной схемы развертывания.

① Сценарий «Дамба водохранилища». Устройства в основном развертываются на низовом откосе, бермах, по обеим сторонам водосброса и в узлах примыкания дамбы — зонах высокой активности термитов. Используется шахматный порядок размещения с расстоянием между устройствами 15 м. Основное внимание уделяется мониторингу активности термитов внутри тела дамбы для предотвращения аварий, связанных с трубчатым выносом и фильтрацией.

② Сценарий «Дамба обвалования». Устройства в основном развертываются на низовом откосе, у подошвы дамбы и на пойменных террасах. Используется линейный порядок размещения с расстоянием между устройствами 20 м, охватывающий всю линию дамбы. Основное внимание уделяется предотвращению угроз фильтрации и оползней дамбы, вызванных гнездованием термитов.

③ Сценарий «Шлюз». Устройства в основном развертываются в грунте вокруг шлюза и по обеим сторонам подводящих и отводящих каналов. Расстояние между устройствами 10 м. Основное внимание уделяется мониторингу активности термитов в основании шлюза для предотвращения таких угроз, как фильтрация и осадка основания.

④ Сценарий «Старая дамба». Учитывая высокий уровень поражения термитами и слабую структуру старых дамб, устройства развертываются с повышенной плотностью (расстояние 10 м), особенно на опасных участках, для обеспечения раннего обнаружения и устранения скрытых угроз термитов.

(2) Эффективность полевого применения

После 12 месяцев полевой проверки все показатели производительности устройства достигли или превзошли проектные требования, продемонстрировав значительные преимущества по сравнению с традиционными методами мониторинга. Конкретная статистика эффективности применения следующая.

① Производительность распознавания и сигнализации. Всего зафиксировано 127 случаев активности термитов, успешно предупреждено о 109 скрытых угрозах термитов, точность устранения угроз 100%. Время реакции сигнала тревоги ≤20 с, в то время как время реакции традиционных методов мониторинга составляет 7–15 дней. Частота распознавания устройства 99,95%, точность сигналов тревоги 98,5%, уровень ложных срабатываний 1,4%, уровень пропусков 0,3%, что превосходит отраслевые стандарты (точность сигналов тревоги ≥95%, уровень ложных срабатываний ≤5%, уровень пропусков ≤5%).

② Эффективность и стоимость эксплуатации и обслуживания. Среднегодовая стоимость эксплуатации и обслуживания 1 км дамбы при традиционном ручном осмотре составляет около 20 000 юаней. При использовании данного устройства годовая стоимость эксплуатации и обслуживания на 1 км дамбы может быть снижена на 14 000 юаней, то есть на 70%. Один человек может установить более 30 устройств в день, что более чем в 15 раз эффективнее традиционного метода приманочного сбора (один человек устанавливает 2 км в день). Устройство работает без обслуживания в течение 4,8 лет, не требуя частого вскрытия дамбы для замены батарей, что уменьшает повреждение структуры дамбы и снижает объем работ по эксплуатации и обслуживанию.

③ Эффективность устранения угроз. Все 109 скрытых угроз термитов были своевременно устранены, из них 87 случаев представляли собой раннюю активность отдельных термитов, а 22 — небольшие и средние гнезда. После устранения, по данным последующего мониторинга, рецидивов активности термитов не наблюдалось, что эффективно предотвратило дальнейшее развитие поражения термитами и возникновение таких серьезных аварий, как трубчатый вынос и фильтрация, обеспечив безопасную эксплуатацию гидротехнических сооружений.

④ Адаптируемость к различным сценариям. В сценарии с высокой температурой и влажностью на юге (например, водохранилище Хуантянь в провинции Гуандун) частота распознавания устройства сохранялась на уровне выше 99,8%. В сценарии с низкими температурами на севере (например, дамба Хуанхэ в провинции Шаньдун) устройство нормально работало при температуре -20°C, частота распознавания выше 99,5%. В сценарии с прибрежным солевым туманом (например, шлюз Саньхэ в провинции Цзянсу) устройство работало нормально после воздействия солевого тумана, частота распознавания выше 99,6%. В сценарии со старой дамбой (например, водохранилище Цайсянь в провинции Хубэй) устройство успешно предупредило о 17 скрытых угрозах термитов, точность устранения 100%, что эффективно решило проблему мониторинга термитов на старых дамбах.

Заключение и перспективы

1. Заключение

Сосредоточившись на мониторинге термитов на гидротехнических сооружениях и используя в качестве ключевой технологии трехмодальную интеграцию данных «визуальный-акустический-температурный», были проведены разработка, лабораторные испытания и полевая проверка применения подземного пассивного устройства для мониторинга термитов. Выполнены ключевые работы по построению многомодальной сенсорной системы, разработке алгоритмов интеграции, оптимизации модели AI, идентификации видов и каст термитов, оптимизации адаптации к окружающей среде. Получены следующие ключевые результаты.

① Построена высокоточная трехмодальная система кооперативного восприятия, обеспечивающая синхронный сбор и предварительную обработку сигналов морфологии термитов, слабых звуков активности и микроповышения температуры от метаболизма. В сочетании с механизмом компенсации температуры и влажности повышена надежность многомодальных данных в сложных условиях, решена проблема улавливания слабых сигналов термитов в скрытой подземной среде.

② Разработана двухуровневая архитектура интеграции «уровень признаков + уровень решений». Внедрены механизм внимания и правило голосования по трем модальностям, что позволило достичь глубокой интеграции многоканальных признаков и точного принятия решений. В сочетании с оптимизированной моделью YOLOv10-M общая частота распознавания термитов устройством достигла 99,95%, точность сигналов тревоги — 98,5%, уровень ложных срабатываний снизился до менее 1,5%, уровень пропусков — до 0,3%, что превосходит показатели одной модальности и традиционных методов мониторинга, решая ключевую проблему высокого уровня ложных срабатываний и пропусков при традиционном мониторинге.

③ Достигнут прорыв в ключевых технологиях интеграции температурной модальности, включая определение микроповышения температуры, локализацию температурного поля и прогнозирование гнезда, а также фильтрацию температурных помех. Обеспечено точное позиционирование центра скопления термитов и прогнозирование местоположения гнезда с погрешностью локализации ≤0,5 м. Одновременно построена модель идентификации видов и каст термитов, обеспечивающая точное распознавание 5 основных вредоносных видов и их 3 каст с точностью >98%, что предоставляет научную основу для целенаправленной борьбы.

④ Устройство обладает высокой адаптацией к окружающей среде и длительным временем автономной работы, способно стабильно работать в сложных условиях: широкий диапазон температур от -20°C до 55°C, затопление, солевой туман, высокая влажность. Время автономной работы достигает 4,8 лет.

⑤ Полевая проверка применения на 182 гидротехнических объектах по всему Китаю показала, что устройство стабильно работает на объектах различных типов и в различных условиях окружающей среды. Успешно предупреждено о 109 скрытых угрозах термитов, точность устранения 100%. Скорость реакции превосходит традиционные методы мониторинга. Уровень пропусков снижен на 97%, уровень ложных срабатываний — на 88%, стоимость эксплуатации и обслуживания — на 70%. Эффективно предотвращены аварийные ситуации на гидротехнических сооружениях, вызванные термитами. Осуществлен переход мониторинга термитов от «ручного осмотра и последующего устранения» к «интеллектуальному мониторингу и предварительному предупреждению».

2. Перспективы

Несмотря на значительные результаты, полученные в данном исследовании, с учетом реальных потребностей борьбы с термитами на гидротехнических сооружениях и тенденций развития технологий, в будущем необходима дальнейшая оптимизация и совершенствование.

① Дальнейшая оптимизация алгоритма многомодальной интеграции, внедрение моделей глубокого обучения для интеграции (например, трансформерные модели интеграции) для повышения глубины интеграции многоканальных признаков и робастности распознавания. Оптимизация стратегий помехоустойчивости для экстремальных условий (например, сильные дожди, сильные вибрации, экстремально низкие температуры) для снижения уровня ложных срабатываний до менее 1% и уровня пропусков до менее 0,1%.

② Расширение функций распознавания. На основе существующей идентификации видов и каст добавить функции оценки размера гнезда и классификации степени опасности. С помощью анализа многомодальных признаков прогнозировать размер, глубину и степень опасности гнезда, предоставляя более точную основу для принятия решений по борьбе. Одновременно расширить диапазон распознаваемых видов термитов, охватив все виды, наносящие вред гидротехническим сооружениям в Китае.

③ Оптимизация аппаратной конструкции устройства. Дальнейшее снижение энергопотребления для увеличения времени автономной работы до более 5 лет. Одновременно оптимизировать конструкцию для повышения устойчивости к давлению грунта и внешним ударным нагрузкам, продлевая срок службы устройства. Разработать миниатюрные и облегченные версии для адаптации к развертыванию на малых гидротехнических объектах и в условиях сложного рельефа.

④ Продвижение стандартизации и масштабного применения технологии. Опираясь на результаты данного исследования, выступить инициатором разработки отраслевого стандарта для интеллектуального мониторинга термитов на гидротехнических сооружениях, стандартизировав процессы разработки, развертывания, эксплуатации, обслуживания и тестирования устройств. Расширить сферу применения, охватив все типы гидротехнических сооружений, особенно старые дамбы и опасные участки, создав национальную сеть мониторинга термитов на гидротехнических сооружениях для обеспечения глобального мониторинга и интеллектуального контроля скрытых угроз термитов.

⑤ Усиление интеграции с технологией цифровых двойников в гидротехнике. Подключить данные об активности термитов, данные об окружающей среде и данные о безопасности дамб, собираемые устройством, к платформе цифровых двойников гидротехнических сооружений. Построить цифровую модель-двойник поражения термитами для динамического моделирования активности термитов, прогнозирования рисков и интеллектуального устранения, обеспечивая более полную поддержку данных для безопасной эксплуатации и обслуживания гидротехнических сооружений и способствуя переходу борьбы с термитами к «интеллектуальному точному контролю и активному предотвращению».