de.wedoany.com-Bericht: Wasserbauprojekte sind entscheidende Infrastrukturen zur Gewährleistung der nationalen Hochwassersicherheit, Wasserversorgungssicherheit, Ernährungssicherheit und ökologischen Sicherheit. Ihr sicherer und stabiler Betrieb steht in direktem Zusammenhang mit der Sicherheit von Leben und Eigentum der Bevölkerung, der nachhaltigen Entwicklung der Wirtschaft und Gesellschaft sowie der Gesundheit und dem Gleichgewicht des Ökosystems. Termiten sind die „unsichtbaren Killer" von Deichen in Wasserbauprojekten. Sie zeichnen sich durch hohe Verborgenheit, schnelle Fortpflanzung, großes Schadenspotenzial und schwerwiegende Schadensfolgen aus. Sie nisten langfristig im Deichinneren, graben ein Netzwerk von Gängen und zerstören direkt die Integrität und Stabilität des Deichkörpers. Dies führt zu einer erhöhten Porosität des Bodens und einer verringerten Scherfestigkeit. Unter dem Einfluss hoher Wasserstände während der Hochwassersaison können leicht schwere Gefahren wie Sickerrohrbildung, Durchsickerung, Rutschungen oder sogar Deichbrüche entstehen, die enorme Schäden verursachen. Während des katastrophalen Hochwassers des Jangtsekiang im Jahr 1998 wurden etwa 80 % der Deichschäden durch Termiten verursacht, was die Bedeutung der Termitenbekämpfung für das Sicherheitsmanagement von Wasserbauprojekten deutlich unterstreicht.

Die Gesamtlänge der bestehenden Deiche in China beträgt über 300.000 km. Ein Großteil davon wurde in den 1950er bis 1970er Jahren erbaut, mit niedrigen Baustandards, langer Betriebsdauer und begrenzten Wartungsmöglichkeiten. Das Problem des Termitenbefalls ist hier besonders ausgeprägt. Laut Statistik liegt die Befallsrate von Deichen in den südlichen Flussgebieten wie Jangtse, Perlfluss und Huai He bei über 60 %, bei alten Deichen sogar bei über 80 %. Mit der globalen Erwärmung dehnt sich das Verbreitungsgebiet der Termiten nach Norden aus, und der Befall nimmt weiter zu. Die Termitenbekämpfung in Wasserbauprojekten steht vor beispiellosen Herausforderungen.

Lange Zeit stützte sich die Termitenüberwachung in chinesischen Wasserbauprojekten hauptsächlich auf traditionelle Methoden wie manuelle Inspektionen, Köderfallen und manuelle Ausgrabungen zur Überprüfung. Diese Methoden sind nicht nur arbeitsintensiv, ineffizient und in ihrer Reichweite begrenzt, sondern auch stark von der Erfahrung des Überwachungspersonals abhängig. Sie weisen gravierende Probleme wie verzögerte Reaktion, hohe Fehlinterpretationsraten und viele Überwachungslücken auf, was eine Früherkennung und Vorwarnung von Termitengefahren erschwert. Mit der rasanten Entwicklung des Internets der Dinge (IoT), der künstlichen Intelligenz (KI) und der Sensortechnologie rücken automatisierte, intelligente Termitenüberwachungstechnologien zunehmend in den Fokus der Forschung. Überwachungsgeräte, die auf einzelnen Modalitäten wie Bild, Ton oder Temperatur basieren, werden allmählich in der Praxis eingesetzt, stehen jedoch weiterhin vor erheblichen technischen Hürden: Die Bildmodalität ist anfällig für Einflüsse wie Dunkelheit, Feuchtigkeit, Sedimentbedeckung und Fremdkörper im Untergrund. Die Wiedererkennungsrate für kleine Termitenziele von 3–5 mm ist unzureichend, und Fehlerkennungen sind häufig. Die Tonmodalität ist anfällig für Umgebungsgeräusche wie Regen, Bodenerschütterungen, Insekten- und Nagetieraktivitäten sowie Wasserströmungen. Die Umweltanpassungsfähigkeit ist gering, und die Fehlalarmrate liegt generell über 8 %. Die Temperaturmodalität kann nur deutliche thermische Anomalien großer Nester erkennen, nicht jedoch die schwachen Temperaturanstiegssignale einzelner Termiten in der Anfangsphase der Aktivität, was ein hohes Risiko für Fehlalarme birgt. Darüber hinaus fehlt es den Einzelmodalitäten an einem effektiven Kreuzvalidierungsmechanismus. In der komplexen und variablen Umgebung von Wasserbauprojekten ist es schwierig, gleichzeitig eine hohe Erkennungsrate und eine niedrige Fehl- und Falschalarmrate zu gewährleisten, was den tatsächlichen Anforderungen der technischen Überwachung nicht gerecht wird.

Derzeit gibt es im In- und Ausland noch kein ausgereiftes technisches System für die multimodale kooperative Wahrnehmung und tiefgehende Fusion zur Termitenüberwachung. Die im Ausland entwickelten Termitenüberwachungsgeräte basieren meist auf einer einzelnen Modalität und weisen Probleme wie geringe Erkennungsgenauigkeit, kurze Akkulaufzeit, hohe Kosten und mangelnde Anpassungsfähigkeit an die komplexe Wasserbauumgebung Chinas auf. Die entsprechende Forschung in China begann relativ spät. Die meisten vorhandenen Produkte verwenden Einzelsensortechnologie. Einige Studien, die eine multimodale Fusion versuchen, leiden unter unzureichender Fusionstiefe, schlechter Algorithmus-Robustheit und geringem Technologiereifegrad. Eine effiziente Koordination und präzise Fusion multimodaler Daten wurde noch nicht erreicht, was den tatsächlichen Anforderungen der Termitenüberwachung in Wasserbauprojekten nicht gerecht wird.

Aus diesem Grund konzentriert sich dieser Artikel auf die Kerntechnologie der „Bild-Ton-Temperatur"-Dreimodalfusion. Es werden die Entwicklung und Anwendungsvalidierung eines passiven unterirdischen Termitenüberwachungsgeräts durchgeführt. Der Schwerpunkt liegt auf der Überwindung von Schlüsseltechnologien wie der multimodalen Datenerfassung, -vorverarbeitung, Merkmalsfusion, Entscheidungsvalidierung sowie der Identifizierung von Termitenarten und -kasten und der Vorhersage von Nestpositionen. Durch umfangreiche Labortests und nationale Feldeinsätze in verschiedenen Wasserbauszenarien werden die Leistung und Praktikabilität des Geräts umfassend validiert. Dies liefert eine umsetzbare und skalierbare Kernunterstützung für die intelligente Termitenüberwachung und Frühwarnung in Wasserbauprojekten und fördert den Wandel der Termitenbekämpfung in chinesischen Wasserbauprojekten von der „manuellen Inspektion und nachträglichen Behandlung" hin zur „intelligenten Überwachung und Vorwarnung".

Aufbau eines multimodalen Wahrnehmungssystems und Datenerfassung

1. Multimodale Sensorkonfiguration und Signalmerkmale

Das multimodale Sensorüberwachungsgerät verwendet ein integriertes passives unterirdisches Design. Es benötigt keine externe Stromversorgung oder Verkabelung und kann direkt in Gebieten mit hoher Termitenaktivität vergraben werden. Mit Bild-, Ton- und Temperatursensoren als Kernwahrnehmungseinheiten wird ein mehrdimensionales kooperatives Wahrnehmungssystem für Termitenaktivitäten aufgebaut, das eine synchrone Erfassung von Multisource-Signalen im selben Raum und zur selben Zeit ermöglicht und hochwertige Daten für die anschließende multimodale Fusionserkennung liefert.

Visuelle Modalität: Verwendet wird ein hochauflösender CMOS-Bildsensor mit 5 Megapixeln und ein Weitwinkelobjektiv mit 120° und geringer Verzerrung. Die Belichtungsparameter und die Fokusstrategie sind für die Eigenschaften kleiner Termitenziele optimiert, sodass einzelne Termiten ab einer Größe von 3 mm klar erkannt werden können. Um sich an die dunkle, feuchte Umgebung im Untergrund anzupassen, wird ein Niedriglicht-Bildgebungsschema (minimale Beleuchtungsstärke 0,01 lx) verwendet, das zusammen mit adaptiven Rauschunterdrückungs- und Kontrastverstärkungsalgorithmen Störgeräusche in der unterirdischen Umgebung effektiv unterdrückt. Dies gewährleistet eine stabile Ausgabe von Kernmerkmalen wie Form, Körpertextur, Bewegungsbahn und Populationsdichte der Termiten auch ohne externe Lichtquelle und liefert klare, effektive Bilddaten für die visuelle Erkennung.

Akustische Modalität: Verwendet wird ein hochempfindliches MEMS-Akustiksensor mit -30 dB zur Erfassung schwacher akustischer Signale von Termitenaktivitäten wie Fressen (Nagen an Holz, Erde), Krabbeln und Trophallaxis.

Temperaturmodalität: Verwendet wird ein hochpräziser NTC-Temperatursensor mit einem Messbereich von -40 bis 85 °C, einer Messgenauigkeit von ±0,1 °C und einer Ansprechzeit von ≤100 ms. Er kann lokale Mikro-Temperaturanstiegssignale von 0,3 bis 1,5 °C, die durch den Stoffwechsel von Termitenkolonien entstehen, präzise erfassen. Der Sensor wird an mehreren Punkten installiert, mit drei gleichmäßig im Gerät verteilten Messpunkten. Durch kontinuierliche Abtastung und gleitende Filteralgorithmen wird der Temperaturtrend in Echtzeit überwacht, wodurch effektiv zwischen Termiten-Stoffwechselwärmesignalen und Störungen wie natürlicher Bodenerwärmung, Sonneneinstrahlung und Wärmeleitung durch Feuchtigkeit unterschieden werden kann. Dies liefert zuverlässige Temperaturdaten für die Temperaturerkennung.

2. Temperatur-Feuchtigkeits-Fusionswahrnehmung und Umgebungskompensation

Die Umgebung von Wasserbauprojekten ist komplex und variabel. Faktoren wie hohe Luftfeuchtigkeit und extreme Temperaturschwankungen können zu Messabweichungen bei Temperatursensoren führen und die Zuverlässigkeit der Temperaturmodalität beeinträchtigen. Um dieses Problem zu lösen, wurde in dieser Studie eine Logik zur Temperatur-Feuchtigkeits-Fusionswahrnehmung und Umgebungskompensation entwickelt, die eine Zusammenarbeit von Feuchtigkeits- und Temperatursensoren ermöglicht, um eine präzise Korrektur des Temperatursignals und eine verbesserte Störfestigkeit zu erreichen. Die spezifische Implementierungslogik ist wie folgt: Erstens werden Umgebungstemperatur und relative Luftfeuchtigkeit synchron erfasst. Basierend auf einer großen Menge experimenteller Daten zur Termitenaktivität wird ein Korrelationsmodell für Temperatur, Feuchtigkeit und Termitenaktivität erstellt, das die Aktivitätsintensität und Stoffwechselwärmecharakteristiken von Termiten unter verschiedenen Temperatur- und Feuchtigkeitsbedingungen klärt und eine theoretische Grundlage für die anschließende Fusionserkennung liefert. Zweitens wird bei einer relativen Umgebungsfeuchtigkeit > 85 % ein Temperaturdrift-Kompensationsalgorithmus aktiviert. Basierend auf der Korrelation zwischen Feuchtigkeitswert und Temperaturdrift werden die Temperaturmessdaten in Echtzeit korrigiert, um Messfehler des Sensors in Umgebungen mit hoher Luftfeuchtigkeit zu beheben und die Genauigkeit der Temperaturdaten sicherzustellen. Drittens wird ein Hochaktivitätsintervall für Termiten festgelegt (Temperatur 25–30 °C, Feuchtigkeit 60–80 %). In diesem Intervall sind Termitenaktivitäten häufig und die Stoffwechselwärmesignale sind deutlich. Das Gewicht der von der Temperaturmodalität ausgegebenen thermischen Konfidenz wird entsprechend erhöht, um die Erkennungsempfindlichkeit zu verbessern. Viertens wird in extremen Temperatur- und Feuchtigkeitsintervallen (Temperatur < 15 °C oder > 35 °C, Feuchtigkeit < 40 % oder > 90 %) die Aktivitätsintensität der Termiten signifikant reduziert und die Stoffwechselwärmesignale sind schwach. Die Konfidenzschwelle der Einzelmodalität wird entsprechend erhöht, um Fehlinterpretationen durch Umgebungsfaktoren zu vermeiden und die Robustheit der Fusionserkennung zu gewährleisten.

Experimentelle Validierungen zeigen, dass der Temperatur-Feuchtigkeits-Fusionsmechanismus die Stabilität der Temperaturmodalität in komplexen Umgebungen wie der Regenzeit im Süden, hoher Luftfeuchtigkeit an der Küste und niedrigen Temperaturen im Norden um über 12 % verbessert. Der Temperaturmessfehler wird auf ±0,2 °C begrenzt, was eine zuverlässigere Temperatureingabe für die multimodale Fusionserkennung liefert.

3. Multimodale Datensynchronisation und -vorverarbeitung

Die zeitliche Synchronisation und räumliche Registrierung multimodaler Daten sind Voraussetzungen für eine effiziente Fusion. Dieses Gerät verwendet ein Hardware-Zeitstempel-Synchronisationsschema. Ein einheitliches Taktmodul wird für die drei Sensortypen (Bild, Ton, Temperatur) konfiguriert, um sicherzustellen, dass der Synchronisationsfehler der Erfassungszeit der drei Signale ≤10 ms beträgt, wodurch eine strenge Ausrichtung der Multisource-Signale zum gleichen Zeitpunkt und im gleichen Bereich erreicht wird. Gleichzeitig wird ein räumliches Registrierungsdesign verwendet, bei dem die Temperatur- und Tonsensoren auf derselben Seite des visuellen Erfassungsbereichs installiert werden. Dies stellt sicher, dass die drei Sensortypen denselben räumlichen Bereich überwachen und Merkmalsfehlanpassungen aufgrund räumlicher Verschiebungen vermieden werden.

Aufgrund der komplexen unterirdischen Umgebung enthalten die erfassten multimodalen Daten eine Vielzahl von Rauschstörungen (z. B. Sedimentbedeckung in Bildern, Umgebungsgeräusche in Tönen, momentane Sprünge in Temperaturen). Ein Vorverarbeitungsprozess ist erforderlich, um die Datenqualität zu verbessern und die Grundlage für die anschließende Merkmalsextraktion und Fusionserkennung zu schaffen. Der spezifische Vorverarbeitungsprozess ist wie folgt.

① Bilddatenvorverarbeitung: Zunächst wird ein Gaußscher Filteralgorithmus verwendet, um Gaußsches Rauschen im Bild zu entfernen. Anschließend wird ein Histogramm-Egalisierungsalgorithmus verwendet, um den Bildkontrast zu verbessern und die Unterscheidbarkeit zwischen Termitenzielen und Hintergrund zu erhöhen. Für kleine Termitenziele in der unterirdischen Umgebung wird ein Algorithmus zur Verstärkung kleiner Ziele verwendet, um winzige Bereiche im Bild zu vergrößern und ihre Merkmale zu verstärken, wodurch das Übersehen kleiner Ziele vermieden wird. Schließlich wird durch morphologische Verarbeitung (Dilatation, Erosion) feiner Schmutz im Bild entfernt, während die vollständigen morphologischen Merkmale des Termitenziels erhalten bleiben.

② Audiodatenvorverarbeitung: Ein Bandpassfilteralgorithmus wird verwendet, um Rauschsignale außerhalb des Frequenzbands von 100–500 Hz zu filtern. Anschließend wird ein Wavelet-Denoising-Algorithmus verwendet, um hochfrequente Störungen und Impulsrauschen im Signal zu entfernen. Das entrauschte Audiosignal wird in Rahmen unterteilt, mit einer Rahmenlänge von 256 ms und einer Rahmenverschiebung von 128 ms. Für jeden Rahmen werden Kernakustikmerkmale wie Kurzzeitenergie, Nulldurchgangsrate, Spektralentropie und Mel-Frequenz-Cepstrum-Koeffizienten (MFCCs) extrahiert, um einen akustischen Merkmalsvektor zu bilden. Schließlich wird der Merkmalsvektor durch Normalisierung auf dieselbe Dimension abgebildet, um nachfolgende Fusionsberechnungen zu erleichtern.

③ Temperaturdatenvorverarbeitung: Ein gleitender Durchschnittsfilteralgorithmus (Fenstergröße 5) wird verwendet, um momentane Sprungausreißer in den Temperaturdaten zu entfernen und die Temperaturänderungskurve zu glätten. Die Temperaturdifferenz zwischen benachbarten Abtastpunkten wird berechnet, um das Merkmal der Temperaturanstiegsrate zu erhalten. Die Mehrpunkt-Temperaturdaten werden interpoliert, um ein zweidimensionales Temperaturfeld zu konstruieren, und Merkmale wie Temperaturgradient und Bereich der thermischen Zone werden extrahiert. Schließlich werden die Temperaturmerkmale durch Normalisierung mit den Bild- und Tonmerkmalen auf eine einheitliche Dimension gebracht, um die Kompatibilität des Fusionsalgorithmus sicherzustellen.

Multimodale Datenfusionsalgorithmen und KI-Modelloptimierung

1. Zweistufige Fusionsarchitektur „Merkmalsebene + Entscheidungsebene"

Um die Einschränkungen der Einzelmodalitätserkennung zu überwinden und eine effiziente Koordination und präzise Fusion von Multisource-Daten zu erreichen, wurde in dieser Studie eine zweistufige Fusionsarchitektur entwickelt, die Merkmalsfusion und Entscheidungsfusion kombiniert. Diese Architektur verbessert die Erkennungsgenauigkeit und Robustheit auf zwei Ebenen – der Merkmalsdarstellung und der Entscheidungsfindung – und bildet einen vollständigen Erkennungsprozess: „Datenerfassung – Vorverarbeitung – Merkmalsextraktion – Merkmalsfusion – Entscheidungsfindung".

(1) Merkmalsfusionsalgorithmus

Die Merkmalsfusion beinhaltet die tiefgehende Fusion der aus den drei Modalitäten (Bild, Ton, Temperatur) extrahierten Merkmale, um einen gemeinsamen Merkmalsvektor mit höherer Repräsentationsfähigkeit zu bilden. Dies gleicht die Unzulänglichkeiten einzelner Modalitätsmerkmale aus und verbessert die Fähigkeit zur Darstellung kleiner Termitenziele. Der spezifische Implementierungsprozess ist wie folgt.

① Extraktion der Kernmerkmale der drei Modalitäten. Bildmerkmale werden durch das Backbone-Netzwerk (CSPNet) des optimierten YOLOv10-M-Modells extrahiert, was einen 256-dimensionalen tiefen Faltungs-Merkmalsvektor ergibt, der Kerninformationen wie Form und Textur der Termiten enthält. Tonmerkmale werden durch MFCCs extrahiert, was einen 128-dimensionalen akustischen Merkmalsvektor ergibt, der Informationen wie Frequenz und Energie der Termitenaktivitätsgeräusche enthält. Temperaturmerkmale werden durch Temperaturgradient und Temperaturanstiegsrate extrahiert, was einen 64-dimensionalen Temperatur-Merkmalsvektor ergibt, der Informationen über die Änderungsmuster der Termiten-Stoffwechselwärme enthält.

② Eine Kombination aus Merkmalsverkettung und Attention-Mechanismus-Fusion wird verwendet, um eine tiefgehende Fusion der drei Merkmale zu erreichen. Die Bild-, Ton- und Temperatur-Merkmalsvektoren werden verkettet, um einen anfänglichen gemeinsamen Merkmalsvektor mit 448 Dimensionen zu bilden. Ein Channel-Attention-Mechanismus (SE-Net) wird eingeführt, um den verschiedenen Kanälen des gemeinsamen Merkmalsvektors Gewichte zuzuweisen. Dabei werden Kanäle, die für die Termitenerkennung relevant sind (z. B. morphologische Merkmalskanäle im Bild, charakteristische Frequenzbandkanäle im Ton, Temperaturanstiegsmerkmalskanäle in der Temperatur), verstärkt und Störungen durch irrelevante Merkmalskanäle unterdrückt, wodurch die Repräsentationsfähigkeit des gemeinsamen Merkmalsvektors verbessert wird.

③ Der gemeinsame Merkmalsvektor wird mittels Hauptkomponentenanalyse (PCA) dimensionsreduziert. Der 448-dimensionale Merkmalsvektor wird auf 128 Dimensionen reduziert, um redundante Merkmale zu entfernen und die Rechenlast zu verringern, während die Kernidentifikationsmerkmale erhalten bleiben. Dies liefert eine effiziente Merkmalseingabe für die anschließende Entscheidungsfusion und KI-Modellerkennung.

(2) Entscheidungsfusionsalgorithmus

Die Entscheidungsfusion baut auf der Merkmalsfusion auf, indem sie die Erkennungsergebnisse der drei Modalitäten einer Kreuzvalidierung und integrierten Entscheidungsfindung unterzieht. Dies erhöht die Zuverlässigkeit der Erkennung weiter und senkt die Fehlalarm- und Falschalarmrate. In dieser Studie wurde ein Dreimodalitäts-Abstimmungsmechanismus basierend auf Konfidenzschwellen entwickelt. Die spezifische Entscheidungslogik ist wie folgt.

① Berechnung der Einzelmodalitäts-Konfidenz. Die Einzelmodalitätserkennung wird für die drei Modalitäten Bild, Ton und Temperatur separat durchgeführt, und ihre jeweiligen Erkennungskonfidenzen werden berechnet. Die Bildmodalität gibt über das optimierte YOLOv10-M-Modell eine Bilderkennungskonfidenz aus (Bereich 0–1). Die Tonmodalität gibt über ein Support-Vektor-Maschinen-Modell (SVM) eine Tonmerkmalsübereinstimmung aus (Bereich 0–1). Die Temperaturmodalität gibt über eine Temperaturanomalie-Erkennungslogik eine thermische Konfidenz aus (Bereich 0–1).

② Festlegung der Konfidenzschwellen. Basierend auf einer großen Anzahl von Labortestdaten und Feldvalidierungsdaten werden die Konfidenzschwellen für die drei Modalitäten durch statistische Analyse bestimmt: Bilderkennungskonfidenz ≥ 0,90, Tonmerkmalsübereinstimmung ≥ 0,85, thermische Konfidenz ≥ 0,80 (entspricht einer Temperaturanomalie, die ≥ 30 s anhält und einen Temperaturanstieg ≥ 0,3 °C aufweist). Die Schwellenwerte berücksichtigen die Erkennungsrobustheit in verschiedenen Umgebungen und vermeiden sowohl Fehlalarme durch zu hohe Schwellen als auch Falschalarme durch zu niedrige Schwellen.

③ Abstimmungs- und Entscheidungsregel. Es wird eine „Alle drei erfüllt"-Abstimmungsregel verwendet. Nur wenn die Erkennungskonfidenzen aller drei Modalitäten (Bild, Ton, Temperatur) die entsprechenden Schwellenwerte erreichen, wird auf „Termitenaktivität vorhanden" erkannt und ein Alarm ausgelöst. Wenn die Konfidenz einer Modalität den Schwellenwert nicht erreicht, wird auf „Keine Termitenaktivität" erkannt und das Signal als Störung betrachtet. Gleichzeitig wird ein kontinuierlicher Erkennungsauslösemechanismus eingeführt. Derselbe Alarm wird erst dann offiziell ausgelöst, wenn dasselbe Gerät dreimal hintereinander (mit einem Intervall von 30 s zwischen den Erkennungen) Termitenaktivität erkennt. Dies reduziert Fehlalarme durch zufällige Störungen weiter.

Experimentelle Validierungen zeigen, dass dieser Entscheidungsfusionsmechanismus die Fehlalarmrate des Geräts von über 8 % bei herkömmlichen Einzelmodalitäten auf 0,92 % und die Falschalarmrate auf 0,3 % senkt, was die Zuverlässigkeit der Erkennung signifikant verbessert.

2. Schlüsseltechnologien der Temperaturmodalfusion

Als Kernkomponente der Dreimodalfusion beeinflusst die Erkennungsgenauigkeit der Temperaturmodalität direkt die Gesamtfusionseffektivität. Angesichts der schwachen, leicht durch Umgebungseinflüsse gestörten Stoffwechselwärmesignale von Termiten im Untergrund konzentriert sich diese Studie auf die Entwicklung von Schlüsseltechnologien für die Temperaturmodalfusion. Dazu gehören drei Module: Mikro-Temperaturanstiegs-Diskriminierungslogik, Temperaturfeldlokalisierung und Nestvorhersage sowie Temperatur-Störungsfilterung, um die Erkennungsgenauigkeit und Störfestigkeit der Temperaturmodalität zu verbessern.

(1) Mikro-Temperaturanstiegs-Diskriminierungslogik

Die durch Termitenkolonieaktivitäten erzeugten Mikro-Temperaturanstiegssignale (0,3–1,5 °C) sind extrem schwach und leicht mit natürlichen thermischen Störungen des Bodens zu verwechseln. Daher wurde eine kooperative Mehrpunkt-Diskriminierungslogik für Mikro-Temperaturanstiege entwickelt. Der spezifische Ablauf ist: ① Einzelpunkt-Diskriminierung: Wenn die Temperaturdifferenz eines einzelnen Temperaturmesspunkts bei drei aufeinanderfolgenden Abtastungen (Abtastintervall 10 s) ≥ 0,3 °C beträgt und die Dauer ≥ 30 s ist, wird dieser Punkt als „thermischer Anomaliepunkt" markiert. ② Mehrpunkt-Ko-Diskriminierung: Wenn drei benachbarte Temperaturmesspunkte gleichzeitig als „thermische Anomaliepunkte" markiert sind und der Bereich der thermischen Anomalie ≥ 5 cm × 5 cm beträgt, wird auf „Termitenansammlungs-Wärmeanomalie" erkannt. Dies schließt Fehlinterpretationen durch einen einzelnen Sensorausfall oder lokale thermische Störungen des Bodens aus. ③ Temperatur-Feuchtigkeits-Korrektur: In Kombination mit den gleichzeitig erfassten Feuchtigkeitsdaten wird die thermische Konfidenz basierend auf dem Korrelationsmodell für Temperatur, Feuchtigkeit und Termitenaktivität korrigiert. Befindet man sich im Hochaktivitäts-Temperatur-Feuchtigkeits-Intervall für Termiten, wird die thermische Konfidenz entsprechend erhöht, andernfalls verringert, um die Diskriminierungsgenauigkeit weiter zu verbessern.

(2) Temperaturfeldlokalisierung und Nestvorhersage

Basierend auf Mehrpunkt-Temperaturdaten wird ein zweidimensionales Temperaturfeldmodell erstellt, um das Zentrum der Termitenansammlung zu lokalisieren und die Nestposition vorherzusagen. Dies liefert präzise Positionshinweise für die Behandlung vor Ort. Die spezifische Implementierungsmethode ist wie folgt: ① Temperaturfeldkonstruktion: Die Temperaturdaten der drei Messpunkte werden mittels Kriging-Interpolation interpoliert, um ein zweidimensionales Temperaturfeld im Umkreis von 1 m um das Gerät zu erstellen, das die Temperaturverteilung visuell darstellt. ② Lokalisierung des Ansammlungszentrums: Der Hochtemperaturbereich im Temperaturfeld wird identifiziert und sein geometrischer Mittelpunkt berechnet. Dieser Mittelpunkt ist das Zentrum der Termitenansammlung, mit einem Lokalisierungsfehler von ≤ 0,5 m. ③ Nestvorhersage: Basierend auf den Nestbaugewohnheiten der Termiten, den Temperaturfeldmerkmalen und historischen Daten wird ein Vorhersagemodell für die Nestposition erstellt. Anhand von Parametern wie Temperaturgradient im Hochtemperaturbereich, Dauer der thermischen Anomalie und Bereichsgröße werden die Tiefe und der Umfang des Nests vorhergesagt (wobei der Vorhersagefehler für die Nesttiefe ≤ 0,3 m beträgt). Dies liefert präzise Anleitungen für Ausgrabungen vor Ort und reduziert unnötige Ausgrabungen.

(3) Temperatur-Störungsfilterung

Zu den thermischen Störungen in der unterirdischen Umgebung gehören hauptsächlich Sonneneinstrahlungswärme, Bodenwärmeleitung und Verdunstungskälte von Wasser. Diese Störsignale unterscheiden sich deutlich von den Stoffwechselwärmesignalen der Termiten. Durch Merkmalsanalyse und algorithmische Filterung können Störsignale effektiv von gültigen Signalen unterschieden werden. Die spezifischen Filterstrategien sind wie folgt: ① Filterung der Sonneneinstrahlungswärme: Temperaturänderungen durch Sonneneinstrahlung sind großflächig, allmählich und synchron. Im Temperaturfeld gibt es kein offensichtliches lokales Hochtemperaturzentrum. Durch Überwachung der räumlichen Verteilung und der Rate der Temperaturänderung kann diese Art von Störung effektiv gefiltert werden. ② Filterung der Bodenwärmeleitung: Temperaturänderungen durch Bodenwärmeleitung sind langsam, flächendeckend und ohne plötzliche Änderungen. Der Temperaturgradient ist gering. Durch Berechnung der Rate und des Gradienten der Temperaturänderung kann zwischen Bodenwärmeleitung und Termiten-Stoffwechselwärme unterschieden werden. ③ Filterung der Verdunstungskälte: Temperaturänderungen durch Wasserverdunstung sind momentan, lokal und abkühlend, im Gegensatz zu den erwärmenden Eigenschaften der Termiten-Stoffwechselwärme. Durch Überwachung des Temperaturtrends (Erwärmung/Abkühlung) kann diese Art von Störung effektiv gefiltert werden. Experimentelle Validierungen zeigen, dass die Genauigkeit der Temperatur-Störungsfilterung 99,2 % erreicht, was Fehlinterpretationen durch Umgebungstemperaturstörungen effektiv vermeidet.

3. Optimierung von YOLOv10-M basierend auf multimodalen Constraints

YOLOv10-M ist ein leichtgewichtiges Objekterkennungsmodell mit Vorteilen wie hoher Erkennungsgeschwindigkeit, hoher Genauigkeit und geringer Parameteranzahl, was es für den Einsatz auf Edge-Geräten geeignet macht. Das Modell weist jedoch weiterhin Schwächen bei der Erkennung kleiner Termitenziele und der Störfestigkeit in komplexen Umgebungen auf. Daher wurde das YOLOv10-M-Modell unter Berücksichtigung der Anforderungen der multimodalen Fusion gezielt optimiert, um die Erkennungsfähigkeit und Robustheit des Modells für kleine Termitenziele zu verbessern. Die spezifischen Optimierungsmaßnahmen sind wie folgt.

① Hinzufügen eines Erkennungskopfs für kleine Ziele. Für kleine Termitenziele von 3–5 mm wird dem YOLOv10-M-Modell ein neuer Erkennungskopf für kleine Ziele hinzugefügt (Ausgabe-Feature-Map-Größe 1024×1024), um die Extraktion und Erkennung von Merkmalen kleiner Ziele zu verstärken und die Wiedererkennungsrate kleiner Ziele zu verbessern. Gleichzeitig werden die Ankergrößen des Erkennungskopfs angepasst. Basierend auf der tatsächlichen Größe der Termiten (3–5 mm) werden drei Gruppen von Ankern entworfen (4×4, 5×5, 6×6), die den morphologischen Merkmalen kleiner Termitenziele entsprechen, um Fehlerkennungen durch nicht passende Anker zu reduzieren.

② Einführung eines Temperaturmerkmals-Gating-Mechanismus. Der Temperatur-Merkmalsvektor wird über eine Gating-Einheit in die Merkmalsfusionsebene des Modells integriert, um eine synergetische Wirkung von Temperatur- und Bildmerkmalen zu erreichen. Wenn das Temperaturmerkmal eine thermische Anomalie erkennt, wird die Gating-Einheit geöffnet, wodurch das Gewicht der Erkennung von Termitenzielen in den Bildmerkmalen verstärkt wird. Wenn das Temperaturmerkmal keine Anomalie aufweist, wird die Gating-Einheit geschlossen, wodurch das Gewicht der Bildmerkmalserkennung verringert wird, um Fehlinterpretationen von Nicht-Termiten-Zielen zu reduzieren und die Störfestigkeit des Modells zu verbessern.

③ Integration von Tonenergiemerkmalen. Das Kurzzeitenergiemerkmal aus den Tonmerkmalen wird in den Klassifikationskopf des Modells integriert, um gemeinsam mit den Bildmerkmalen eine Klassifikationsentscheidung zu treffen. Wenn die Kurzzeitenergie des Tons im charakteristischen Frequenzband der Termitenaktivität (100–500 Hz) liegt und der Energiewert einen Schwellenwert erreicht, wird die Klassifikationskonfidenz des Modells für das Termitenziel erhöht; andernfalls wird sie verringert, um Fehlinterpretationen durch Umgebungsgeräusche weiter zu unterdrücken.

④ Modellleichtgewichtskomprimierung. Mittels Knowledge Distillation, mit YOLOv10-L als Lehrermodell und YOLOv10-M als Schülermodell, wird das Wissen des Lehrermodells auf das Schülermodell übertragen. Unter der Voraussetzung, dass die Erkennungsgenauigkeit erhalten bleibt, wird die Parameteranzahl des Modells um 60 % komprimiert und die Inferenzgeschwindigkeit um 40 % erhöht. Die Inferenzzeit pro Einzelbild beträgt ≤ 20 ms, was die Anforderungen an die Echtzeitüberwachung auf der Edge-Seite erfüllt, gleichzeitig den Stromverbrauch des Geräts senkt und die Akkulaufzeit verlängert.

Labortests zeigen, dass die Erkennungsrate des optimierten YOLOv10-M-Modells für kleine Termitenziele 99,95 % erreicht, eine Verbesserung um 7,65 % gegenüber dem ursprünglichen Modell. Die Falschalarmrate sinkt auf 0,3 % und die Fehlalarmrate auf 0,92 %, was die Anforderungen an die Echtzeitfähigkeit und Genauigkeit der Termitenüberwachung in Wasserbauprojekten erfüllt.

4. Technologie zur Identifizierung von Termitenarten und -kasten

Verschiedene Termitenarten und -kasten verursachen unterschiedliche Schäden an Deichen. Eine präzise Identifizierung von Art und Kaste kann eine wissenschaftliche Grundlage für die gezielte Bekämpfung liefern und die Bekämpfungseffektivität verbessern. Basierend auf den Unterschieden in den multimodalen Merkmalen wurde in dieser Studie ein Modell zur Identifizierung von Termitenarten und -kasten entwickelt. Es identifiziert fünf Hauptschadensarten (Odontotermes formosanus, Macrotermes barneyi, Coptotermes formosanus, Reticulitermes spp., Macrotermes annandalei) und drei Kasten (Arbeiter, Soldaten, Geschlechtstiere) in chinesischen Wasserbauprojekten.

(1) Identifizierung der Termitenart

Die morphologischen, akustischen und Stoffwechselwärme-Merkmale verschiedener Termitenarten unterscheiden sich deutlich: Odontotermes formosanus-Arbeiter sind 3–4 mm lang, schwarzbraun, ihr Fressgeräusch konzentriert sich auf 200–300 Hz, und der Stoffwechselwärmeanstieg beträgt 0,5–0,8 °C. Macrotermes barneyi-Arbeiter sind 4–5 mm lang, hellgelb, ihr Fressgeräusch konzentriert sich auf 150–250 Hz, und der Stoffwechselwärmeanstieg beträgt 0,8–1,2 °C. Coptotermes formosanus-Arbeiter sind 3–5 mm lang, milchig weiß, ihr Fressgeräusch konzentriert sich auf 250–350 Hz, und der Stoffwechselwärmeanstieg beträgt 0,6–0,9 °C. Reticulitermes spp.-Arbeiter sind 2–3 mm lang, grauweiß, ihr Fressgeräusch konzentriert sich auf 100–200 Hz, und der Stoffwechselwärmeanstieg beträgt 0,3–0,5 °C. Macrotermes annandalei-Arbeiter sind 5–6 mm lang, gelbbraun, ihr Fressgeräusch konzentriert sich auf 300–400 Hz, und der Stoffwechselwärmeanstieg beträgt 1,0–1,5 °C.

Basierend auf diesen Merkmalsunterschieden wurde ein multimodales Modell zur Identifizierung der Termitenart erstellt: Die morphologischen Bildmerkmale, die akustischen Spektrummerkmale und die Temperaturanstiegsmerkmale werden fusioniert und in einen SVM-Klassifikator eingespeist. Durch Training mit einer großen Anzahl von Proben wird eine präzise Identifizierung der fünf Arten erreicht. Tests zeigen, dass die Genauigkeit der Artidentifizierung > 98 % beträgt, wobei die Genauigkeit für Odontotermes formosanus und Macrotermes barneyi über 99 % liegt.

(2) Identifizierung der Kaste

Verschiedene Kasten derselben Art (Arbeiter, Soldaten, Geschlechtstiere) unterscheiden sich signifikant in Morphologie, Verhalten und Stoffwechselmerkmalen: Arbeiter sind kleiner, hauptsächlich für Fressen und Nestbau zuständig, aktiv und haben eine schwächere Stoffwechselwärme. Soldaten sind größer, haben einen gut entwickelten Kopf, sind aggressiv, weniger aktiv und haben eine mittlere Stoffwechselwärme. Geschlechtstiere sind am größten, haben Flügel, sind während der Fortpflanzungszeit aktiv und haben eine stärkere Stoffwechselwärme.

Basierend auf diesen Unterschieden wird aufbauend auf der Artidentifizierung eine weitere Identifizierung der Kaste durchgeführt: Durch Bildmerkmale werden Größen- und Formunterschiede unterschieden, durch Tonmerkmale werden Unterschiede in der Aktivitätsfrequenz und den akustischen Signalen unterschieden, und durch Temperaturmerkmale werden Unterschiede in der Stoffwechselwärme unterschieden. Ein multimodales Submodell zur Kastenidentifizierung wird erstellt, um eine präzise Unterscheidung von Arbeitern, Soldaten und Geschlechtstieren zu erreichen, mit einer Identifizierungsgenauigkeit > 98 %. Die Identifizierungsgenauigkeit für Soldaten erreicht 99,2 %, was präzise Anleitungen für die gezielte Bekämpfung liefern kann (z. B. Einsatz spezieller Mittel gegen Soldaten).

Experimentelle Tests und Anwendungsvalidierung in Wasserbauprojekten

1. Labortests der Leistungsfähigkeit

Um die Kernindikatoren des Geräts wie multimodale Erkennungsleistung, Umweltanpassungsfähigkeit und Akkulaufzeit umfassend zu validieren, wurden systematische Tests in einem professionellen Termitenlabor durchgeführt. Die Testumgebung simulierte die verdeckte unterirdische Umgebung von Wasserbauprojekten. Es wurden Termitenproben- und Störungsgruppen eingerichtet, die Erkennungsleistung der Einzelmodalität mit der der Dreimodalfusion verglichen und die Umweltanpassungsfähigkeit und Akkulaufzeit des Geräts getestet, um sicherzustellen, dass das Gerät den tatsächlichen Anforderungen des Projekts entspricht.

(1) Erkennungsleistungstest

Es wurden Proben von Arbeitern, Soldaten und Geschlechtstieren der oben genannten fünf Hauptschadensarten ausgewählt, jeweils 100 pro Art und Kaste, insgesamt 1500 Termitenproben. Die Störproben umfassten häufige unterirdische Lebewesen wie Ameisen, Kakerlaken und Regenwürmer sowie Umgebungsstörsignale wie Bodenerschütterungen, Regen und Wasserströmungen, insgesamt 500 Störproben. Die Termiten- und Störproben wurden in Testboxen gegeben, die die unterirdische Umgebung simulierten. Das Überwachungsgerät wurde installiert und 72 Stunden lang kontinuierlich überwacht. Die Erkennungsergebnisse und Alarmmeldungen des Geräts wurden aufgezeichnet, und Kernindikatoren wie Erkennungsrate, Alarmgenauigkeit, Fehlalarmrate und Falschalarmrate wurden berechnet. Gleichzeitig wurde die Erkennungsleistung der einzelnen Modalitäten (nur Bild, nur Ton, nur Temperatur) getestet und mit der Erkennungsleistung der Dreimodalfusion verglichen.

Die Testergebnisse zeigen, dass bei der Dreimodalfusionserkennung die Gesamterkennungsrate für Termiten 99,96 % beträgt, davon 99,98 % für Odontotermes formosanus, 99,97 % für Macrotermes barneyi, 99,96 % für Coptotermes formosanus, 99,95 % für Reticulitermes spp. und 99,94 % für Macrotermes annandalei. Die Alarmgenauigkeit beträgt 99,08 %, die Fehlalarmrate 0,92 % und die Falschalarmrate 0,3 %. Die Erkennungsrate der reinen Bildmodalität beträgt 92,3 %, die Fehlalarmrate 7,8 % und die Falschalarmrate 7,7 %. Die Erkennungsrate der reinen Tonmodalität beträgt 89,5 %, die Fehlalarmrate 9,1 % und die Falschalarmrate 10,5 %. Die Erkennungsrate der reinen Temperaturmodalität beträgt 85,7 %, die Fehlalarmrate 6,3 % und die Falschalarmrate 12,4 %.

Zusammenfassend ist die Erkennungsleistung der Dreimodalfusion der der Einzelmodalitäten deutlich überlegen. Sie löst effektiv die Probleme der geringen Erkennungsgenauigkeit und der hohen Fehl- und Falschalarmrate von Einzelmodalitäten, ermöglicht eine präzise Erkennung kleiner Termitenziele und erfüllt die Genauigkeitsanforderungen der Termitenüberwachung in Wasserbauprojekten.

(2) Umweltanpassungsfähigkeitstest

Angesichts der komplexen und variablen Umgebung von Wasserbauprojekten wurden Umweltanpassungsfähigkeitstests wie Hoch-/Niedrigtemperaturtests, Wassertests, Salzsprühtests und Hochfeuchtigkeitstests durchgeführt, um den stabilen Betrieb des Geräts unter verschiedenen Umgebungsbedingungen zu validieren.

① Hoch-/Niedrigtemperaturtest. Das Gerät wurde in Klimaschränke bei -20 °C, -10 °C, 0 °C, 25 °C und 55 °C gestellt und 72 Stunden lang kontinuierlich betrieben. Alle 12 Stunden wurden der Betriebszustand und die Erkennungsleistung des Geräts aufgezeichnet. Die Testergebnisse zeigen, dass das Gerät im Bereich von -20 bis 55 °C normal funktioniert, die Erkennungsrate stabil über 99,5 % liegt und keine Ausfälle auftreten. Es kann den Anforderungen in verschiedenen Klimaregionen des Landes gerecht werden.

② Wassertest. Das Gerät wurde 30 Minuten lang in einer Testbox mit 1,5 m Wassertiefe eingetaucht. Nach der Entnahme wurde überprüft, ob Wasser in das Gerät eingedrungen war, und der Betriebszustand und die Erkennungsleistung wurden getestet. Die Testergebnisse zeigen, dass kein Wasser in das Gerät eingedrungen ist, es normal funktioniert, die Erkennungsrate über 99,9 % liegt und die Schutzart IP68 erreicht wird. Es kann den Anforderungen in Umgebungen mit Hochwasseransammlungen und Starkregen gerecht werden.

③ Salzsprühtest. Das Gerät wurde 48 Stunden lang in einer Salzsprühkammer mit einer 5%igen Natriumchloridlösung platziert. Nach dem Test wurden die Korrosion des Gehäuses und der Metallteile sowie der Betriebszustand und die Erkennungsleistung des Geräts überprüft. Die Testergebnisse zeigen, dass das Gehäuse und die Metallteile keine offensichtliche Korrosion aufweisen, das Gerät normal funktioniert, die Erkennungsrate über 99,5 % liegt und es den Anforderungen in Küstenumgebungen mit Salzsprühnebel gerecht wird.

④ Hochfeuchtigkeitstest. Das Gerät wurde 72 Stunden lang kontinuierlich in einer Klimakammer mit einer relativen Luftfeuchtigkeit von 95 % betrieben. Der Betriebszustand und die Erkennungsleistung wurden getestet. Die Testergebnisse zeigen, dass das Gerät normal funktioniert, die Erkennungsrate über 99,8 % liegt, der Temperatur-Feuchtigkeits-Fusionskompensationsmechanismus effektiv ist und keine Temperaturmessdrift oder Fehlinterpretationen auftreten. Es kann den Anforderungen in Umgebungen mit hoher Luftfeuchtigkeit im Süden gerecht werden.

(3) Akkulaufzeittest

Das Gerät verwendet eine 38 Ah Lithium-Thionylchlorid-Batterie mit hoher Kapazität und ein energiesparendes Design. Die Methode zum Testen der Akkulaufzeit simuliert das tatsächliche Arbeitsszenario. Das Gerät arbeitet nach der Strategie „nachts alle 30 Minuten einmal aufwecken, jedes Mal 20 s arbeiten; tagsüber alle 1 Stunde einmal aufwecken, jedes Mal 20 s arbeiten". Der Batteriestand wird aufgezeichnet. Die Testergebnisse zeigen, dass die durchschnittliche Leistungsaufnahme des Geräts 0,012 mW beträgt und die Akkulaufzeit 4,8 Jahre erreicht. Dies erfüllt die Projektanforderung „einmal vergraben, vier Jahre wartungsfrei". Ein häufiger Batteriewechsel ist nicht erforderlich, was Schäden an der Deichstruktur reduziert.

2. Feldanwendungsvalidierung in Wasserbauprojekten

Um die Leistung und Praktikabilität des Geräts in realen Wasserbauszenarien zu validieren, wurde eine Feldanwendungsvalidierung an 182 Wasserbauprojekten im ganzen Land durchgeführt. Diese deckten wichtige Flussgebiete wie das Jangtsekiang-, Perlfluss-, Huai He- und Gelbflussgebiet ab und umfassten verschiedene Arten von Wasserbauprojekten wie Stauseen, Deiche und Schleusen. Die Umgebungen umfassten typische Bedingungen wie hohe Temperaturen und hohe Luftfeuchtigkeit im Süden, Hügelland in Zentralchina, niedrige Temperaturen im Norden und Salzsprühnebel an der Küste. Insgesamt wurden über 2300 Geräte installiert, die eine Überwachungsfläche von über 5 Millionen m² abdecken. Parallel dazu wurden traditionelle Überwachungspunkte (manuelle Inspektion + Köderfallen) als Kontrollgruppe eingerichtet, um die Anwendungseffekte des Geräts vergleichend zu analysieren.

(1) Klassifizierung der Anwendungsszenarien und Installationsplan

Basierend auf dem Typ des Wasserbauprojekts und den Merkmalen des Termitenbefalls wurden die Anwendungsszenarien in vier Kategorien eingeteilt, für die ein standardisierter Installationsplan verwendet wurde.

① Staudammszenario. Hauptsächlich in termitenanfälligen Bereichen wie der luftseitigen Böschung, Terrassen, beidseitig des Hochwasserentlastungskanals und der Dammkrone installiert. Die Anordnung erfolgt im Schachbrettmuster mit einem Abstand von 15 m zwischen den Geräten. Der Schwerpunkt liegt auf der Überwachung der Termitenaktivität im Dammkörper, um Sickerrohrbildung und Durchsickerung zu verhindern.

② Deichszenario. Hauptsächlich in Bereichen wie der luftseitigen Böschung, dem Deichfuß und Vorländern installiert. Die Anordnung erfolgt linear mit einem Abstand von 20 m zwischen den Geräten, um die gesamte Deichlinie abzudecken und Gefahren wie Durchsickerung und Rutschungen durch Termitennester zu verhindern.

③ Schleusenszenario. Hauptsächlich im Erdreich um die Schleuse herum und beidseitig der Zu- und Ablaufkanäle installiert. Der Abstand zwischen den Geräten beträgt 10 m. Der Schwerpunkt liegt auf der Überwachung der Termitenaktivität im Fundamentbereich der Schleuse, um Gefahren wie Durchsickerung und Fundamentsetzung zu verhindern.

④ Szenario alter Deiche. Angesichts der hohen Befallsrate und der schwachen Struktur alter Deiche werden die Geräte in dichterem Abstand von 10 m installiert. Der Schwerpunkt liegt auf der Überwachung gefährdeter Abschnitte, um eine Früherkennung und Behandlung von Termitengefahren zu ermöglichen.

(2) Feldanwendungseffekte

Nach 12 Monaten Feldanwendungsvalidierung erreichten oder übertrafen alle Leistungsindikatoren des Geräts die Designanforderungen und zeigten signifikante Vorteile gegenüber traditionellen Überwachungsmethoden. Die spezifischen Anwendungseffekte sind wie folgt zusammengefasst.

① Erkennungs- und Alarmleistung. Insgesamt wurden 127 Termitenaktivitäten überwacht und 109 Termitengefahren erfolgreich vorhergesagt, mit einer Behandlungsgenauigkeit von 100 %. Die Alarmreaktionszeit betrug ≤ 20 s, während die Reaktionszeit traditioneller Methoden 7–15 Tage betrug. Die Erkennungsrate des Geräts betrug 99,95 %, die Alarmgenauigkeit 98,5 %, die Fehlalarmrate 1,4 % und die Falschalarmrate 0,3 %, was allesamt besser war als die Branchenstandards (Alarmgenauigkeit ≥ 95 %, Fehlalarmrate ≤ 5 %, Falschalarmrate ≤ 5 %).

② Betriebs- und Wartungseffizienz und -kosten. Die jährlichen Betriebs- und Wartungskosten für die manuelle Inspektion von 1 km Deich betragen etwa 20.000 Yuan. Mit diesem Gerät können pro km Deich jährlich 14.000 Yuan an Betriebs- und Wartungskosten eingespart werden, was einer Reduzierung der jährlichen Kosten um 70 % entspricht. Eine Person kann mehr als 30 Geräte pro Tag installieren, was einer Effizienzsteigerung um das 15-fache im Vergleich zur traditionellen Köderfallenmethode (eine Person installiert 2 km pro Tag) entspricht. Das Gerät läuft 4,8 Jahre wartungsfrei, ohne dass häufige Ausgrabungen am Deich für den Batteriewechsel erforderlich sind, was Schäden an der Deichstruktur reduziert und den Arbeitsaufwand für Betrieb und Wartung verringert.

③ Behandlungseffekte von Gefahren. Alle 109 Termitengefahren wurden rechtzeitig behandelt. Davon handelte es sich bei 87 um frühe, vereinzelte Termitenaktivitäten und bei 22 um kleine bis mittelgroße Nester. Nach der Behandlung zeigten Nachfolgeüberwachungen kein Wiederauftreten von Termiten. Dies verhinderte effektiv die weitere Entwicklung von Termitenschäden und das Auftreten schwerer Gefahren wie Sickerrohrbildung und Durchsickerung und gewährleistete den sicheren Betrieb der Wasserbauprojekte.

④ Anpassungsfähigkeit an verschiedene Szenarien. Im Szenario mit hohen Temperaturen und hoher Luftfeuchtigkeit im Süden (z. B. Huangtian-Stausee, Guangdong) blieb die Erkennungsrate des Geräts über 99,8 %. Im Szenario mit niedrigen Temperaturen im Norden (z. B. Gelbflussdeich, Shandong) funktionierte das Gerät bei -20 °C normal, mit einer Erkennungsrate über 99,5 %. Im Szenario mit Salzsprühnebel an der Küste (z. B. Sanhe-Schleuse, Jiangsu) funktionierte das Gerät nach Salzsprühnebelkorrosion normal, mit einer Erkennungsrate über 99,6 %. Im Szenario alter Deiche (z. B. Caixian-Stausee, Hubei) warnte das Gerät erfolgreich vor 17 Termitengefahren, mit einer Behandlungsgenauigkeit von 100 %, was das Problem der Termitenüberwachung an alten Deichen effektiv löste.

Schlussfolgerung und Ausblick

1. Schlussfolgerung

Diese Studie konzentrierte sich auf die Termitenüberwachung in Wasserbauprojekten, mit der „Bild-Ton-Temperatur"-Dreimodaldatenfusion als Kerntechnologie. Es wurden die Entwicklung, Labortests und Feldanwendungsvalidierung eines passiven unterirdischen Termitenüberwachungsgeräts durchgeführt. Schlüsselarbeiten wie der Aufbau eines multimodalen Wahrnehmungssystems, das Design von Fusionsalgorithmen, die Optimierung von KI-Modellen, die Identifizierung von Termitenarten und -kasten sowie die Optimierung der Umweltanpassungsfähigkeit wurden abgeschlossen. Die folgenden Kernresultate wurden erzielt.

① Es wurde ein hochpräzises dreimodales kooperatives Wahrnehmungssystem aufgebaut, das die synchrone Erfassung und Vorverarbeitung von Termitenmorphologie, schwachen Aktivitätsgeräuschen und metabolischen Mikro-Temperaturanstiegssignalen ermöglicht. In Kombination mit einem Temperatur-Feuchtigkeits-Fusionskompensationsmechanismus wurde die Zuverlässigkeit multimodaler Daten in komplexen Umgebungen verbessert und das Problem der Erfassung schwacher Termitensignale in der verdeckten unterirdischen Umgebung gelöst.

② Es wurde eine zweistufige Fusionsarchitektur „Merkmalsebene + Entscheidungsebene" entworfen. Ein Attention-Mechanismus und eine Dreimodalitäts-Abstimmungs- und Entscheidungsregel wurden eingeführt, um eine tiefgehende Fusion und präzise Entscheidungsfindung von Multisource-Merkmalen zu erreichen. In Kombination mit dem optimierten YOLOv10-M-Modell erreicht das Gerät eine Gesamterkennungsrate für Termiten von 99,95 %, eine Alarmgenauigkeit von 98,5 %, eine Fehlalarmrate von unter 1,5 % und eine Falschalarmrate von 0,3 %. Dies ist besser als die Einzelmodalitätserkennung und traditionelle Überwachungsmethoden und löst das Kernproblem der hohen Fehl- und Falschalarmrate bei der traditionellen Überwachung.

③ Es wurden Schlüsseltechnologien der Temperaturmodalfusion durchbrochen, darunter die Mikro-Temperaturanstiegs-Diskriminierung, die Temperaturfeldlokalisierung und Nestvorhersage sowie die Temperatur-Störungsfilterung. Eine präzise Lokalisierung des Termitenansammlungszentrums und eine Vorhersage der Nestposition wurden erreicht, mit einem Lokalisierungsfehler von ≤ 0,5 m. Gleichzeitig wurde ein Modell zur Identifizierung von Termitenarten und -kasten erstellt, das eine präzise Identifizierung von fünf Hauptschadensarten und ihren drei Kasten mit einer Genauigkeit von > 98 % ermöglicht und eine wissenschaftliche Grundlage für die gezielte Bekämpfung liefert.

④ Das Gerät zeichnet sich durch hohe Umweltanpassungsfähigkeit und lange Akkulaufzeit aus. Es kann in komplexen Umgebungen wie einem breiten Temperaturbereich von -20 bis 55 °C, Überschwemmungen, Salzsprühnebel und hoher Luftfeuchtigkeit stabil arbeiten. Die Akkulaufzeit erreicht 4,8 Jahre.

⑤ Die Feldanwendungsvalidierung an 182 Wasserbauprojekten im ganzen Land zeigt, dass das Gerät in verschiedenen Arten und Umgebungen von Wasserbauprojekten stabil arbeitet. Es hat erfolgreich 109 Termitengefahren vorhergesagt, mit einer Behandlungsgenauigkeit von 100 %. Die Reaktionsgeschwindigkeit ist besser als bei traditionellen Überwachungsmethoden. Die Falschalarmrate sank um 97 %, die Fehlalarmrate um 88 % und die Betriebs- und Wartungskosten um 70 %. Dies verhinderte effektiv Gefahren in Wasserbauprojekten, die durch Termitenschäden verursacht wurden, und realisierte den Wandel der Termitenüberwachung von der „manuellen Inspektion und nachträglichen Behandlung" hin zur „intelligenten Überwachung und Vorwarnung".

2. Ausblick

Obwohl diese Studie bemerkenswerte Ergebnisse erzielt hat, sind im Hinblick auf die tatsächlichen Anforderungen der Termitenbekämpfung in Wasserbauprojekten und die technologischen Entwicklungstrends weitere Optimierungen und Verbesserungen in der Zukunft erforderlich.

① Weitere Optimierung der multimodalen Fusionsalgorithmen. Einführung tiefergehender Fusionsmodelle (z. B. Transformer-Fusionsmodelle), um die Fusionstiefe und Erkennungsrobustheit von Multisource-Merkmalen zu verbessern. Optimierung der Störungsunterdrückungsstrategien für extreme Umgebungen (z. B. starker Regen, starke Vibrationen, extrem niedrige Temperaturen), um die Fehlalarmrate auf unter 1 % und die Falschalarmrate auf unter 0,1 % zu senken.

② Erweiterung der Identifizierungsfunktionen. Aufbauend auf der bestehenden Identifizierung von Arten und Kasten sollen Funktionen zur Bewertung der Nestgröße und zur Klassifizierung des Gefährdungsgrads hinzugefügt werden. Durch multimodale Merkmalsanalyse sollen Größe, Tiefe und Gefährdungsgrad des Nests vorhergesagt werden, um eine genauere Grundlage für Bekämpfungsentscheidungen zu liefern. Gleichzeitig soll der Erkennungsbereich auf alle Termitenarten ausgeweitet werden, die Wasserbauprojekte in China schädigen.

③ Optimierung des Hardware-Designs des Geräts. Weiterer Senkung des Stromverbrauchs, um die Akkulaufzeit auf über 5 Jahre zu verlängern. Gleichzeitig Optimierung der Gerätestruktur, um die Beständigkeit gegen Bodendruck und äußere Krafteinwirkung zu verbessern und die Lebensdauer des Geräts zu verlängern. Entwicklung einer miniaturisierten, leichten Version, die für den Einsatz in kleinen Wasserbauprojekten und komplexem Gelände geeignet ist.

④ Förderung der technischen Standardisierung und des großflächigen Einsatzes. Basierend auf den Ergebnissen dieser Forschung soll die Erstellung einer Branchennorm für die intelligente Termitenüberwachung in Wasserbauprojekten vorangetrieben werden, um die Prozesse der Geräteentwicklung, Installation, des Betriebs und der Wartung sowie der Prüfung zu standardisieren. Ausweitung des Anwendungsbereichs auf alle Arten von Wasserbauprojekten, insbesondere alte Deiche und gefährdete Abschnitte, um ein nationales Überwachungsnetzwerk für Termiten in Wasserbauprojekten aufzubauen und eine flächendeckende Überwachung und intelligente Bekämpfung von Termitengefahren zu erreichen.

⑤ Verstärkung der Integration mit der digitalen Zwillingstechnologie für Wasserbauprojekte. Die vom Gerät erfassten Daten zu Termitenaktivitäten, Umweltdaten und Deichsicherheitsdaten sollen in eine digitale Zwillingsplattform für Wasserbauprojekte eingespeist werden. Ein digitales Zwillingsmodell für Termitenschäden soll erstellt werden, um eine dynamische Simulation von Termitenaktivitäten, Risikovorhersage und intelligente Behandlung zu ermöglichen. Dies würde eine umfassendere Datenunterstützung für den sicheren Betrieb und die Wartung von Wasserbauprojekten bieten und den Wandel der Termitenbekämpfung in Wasserbauprojekten hin zu einer „intelligenten, präzisen Steuerung und aktiven Bekämpfung" fördern.