白蚁入侵监测建模训练数据

本数据采集白蚁监控及定时抓拍图像，形成图像+时序的多源数据。通过融合YOLOv11高精度目标检测算法与时间序列岭回归机器学习模型，对图像进行特征提取、目标识别与时序趋势拟合，精准输出白蚁精准定位位置、白蚁侵扰二分类异常预警状态及未来时段白蚁爆发数量推演，整体识别准确率达 98.15%。可应用于古建筑、园林林木、市政堤坝、居民区公共区域的白蚁智能监测、虫害隐患排查与早期爆发预警，可实现全天候无人值守自动识别、精准告警与趋势预判，解决传统人工巡查效率低、漏检率高、无法提前预判虫害爆发的行业痛点，助力行业建立标准化虫害识别、数量研判、爆发预警体系，为城市公共安全、文物建筑防腐保护、生态虫害治理提供数字化、智能化技术支撑。1.数据来源：收集了白蚁的可见光监控视频流与定时抓拍图像数据，以及对应的时间戳和天气环境状态数据。 2.数据处理：对上述数据进行了以下处理： （1）图像自动化检测：采用预训练的YOLOv11目标检测模型对抓拍图像进行特征提取，经过非极大值抑制（NMS）过滤，输出白蚁的目标检测框、绝对数量以及二分类状态（1有/0无）。 （2）时间序列重采样与插补：将离散的检测数据按照固定时间颗粒度进行重采样，并运用线性插补技术填补监控盲区的数据断点，构建连续平滑的时间序列特征。 （3）趋势预测模型融合：提取时间序列的自回归滞后特征，结合环境天气分类变量，送入核映射与岭回归相融合的机器学习管道中进行高维度空间特征拟合，输出高精度的未来数量预测值。 3.数据应用：将上述处理结果应用到文物保护的白蚁虫害智能监测与早期预警场景下，可实现将白蚁防治由传统的被动滞后查杀转变为主动预警。

搜集汇总

背景与挑战

背景概述

本数据集收集白蚁监控视频流与定时抓拍图像，结合时间戳和天气数据，构建图像与时序的多源数据。通过YOLOv11目标检测提取白蚁位置、数量及二分类状态，并利用时间序列岭回归模型预测未来爆发数量，整体识别准确率达98.15%，便于全天候自动监测与早期预警，可应用于古建筑、园林、堤坝等场景，提升虫害防治效率。