近期，信息学院陈志泊教授课题组联合林学院研究团队在蛀干害虫钻蛀振动信号识别可解释性研究方面取得进展，在农林科学领域一区TOP期刊《Pest Management Science》（IF="4.4）上发表了题目为“The interpretability of the activity signal detection model for wood-boring pests Semanotus bifasciatus in the larval stage”的研究成果，第一作者为信息学院2019级博士研究生刘璇昕，通讯作者为陈志泊教授，北京林业大学为唯一完成单位。该研究受到国家自然科学基金面上项目（32071775）的资助。

林业蛀干害虫生活隐蔽、防治困难，是生态安全的重大隐患。近年来，基于深度神经网络（Deep Neural Networks，DNNs）的声学监测技术已逐渐应用于蛀干害虫监测领域。已有研究表明，DNNs模型在进行钻蛀振动信号识别时具有更高的准确率和更好的泛化能力，然而DNNs的黑箱特征限制了模型的可信度，阻碍其在林业中的实际应用。

图1 DalPNet网络结构图

针对上述问题，论文设计了基于动态特征块的主动可解释模型——动态声学幼虫原型网络（Dynamic Acoustic Larval ProtoNet，DalPNet）（图1），在模型运行过程中动态计算钻蛀振动信号的典型频谱区域并进行动态的原型投影，直观展示模型的决策依据，提高模型的可信度和可靠性。为了使模型生成的类别原型更好地覆盖典型特征区域，DalPNet提出动态特征块的概念以优化输入频谱图与原型特征的匹配过程。此外，研究团队从定性和定量两个角度设计了可解释性模型的评价方案，更直观、可靠地论证了模型的可解释性（图2）。研究结果表明，DalPNet在保证识别准确率的同时具有更好的可解释性，能够提高模型在蛀干害虫声学监测中的可信度和可靠性。

图2 定量和定性的可解释性评价结果

信息学院陈志泊教授团队在林业蛀干害虫幼虫自动化监测预警领域展开了深入研究，在钻蛀振动传感器自主研发、钻蛀振动信号增强、钻蛀振动信号识别、识别模型的可解释性等领域取得了一系列重要进展，为推动蛀干害虫声学监测技术在林业中的实际应用做出了积极的贡献。

论文链接：https://doi.org/10.1002/ps.7566