fr.wedoany.com Rapport : Les ouvrages hydrauliques sont des infrastructures clés pour garantir la sécurité nationale contre les inondations, la sécurité de l'approvisionnement en eau, la sécurité alimentaire et la sécurité écologique. Leur fonctionnement sûr et stable est directement lié à la sécurité des vies et des biens des populations, au développement socio-économique durable, ainsi qu'à la santé et à l'équilibre des écosystèmes. Les termites sont des « tueurs invisibles » des digues et barrages des ouvrages hydrauliques. Elles se caractérisent par une grande discrétion, une vitesse de reproduction rapide, une large étendue de dégâts et des conséquences catastrophiques graves. En construisant des nids à long terme à l'intérieur des digues et en creusant des galeries entrelacées, elles détruisent directement l'intégrité et la stabilité du sol des digues, augmentant la porosité du sol et réduisant sa résistance au cisaillement. Sous l'effet de niveaux d'eau élevés en période de crue, cela peut facilement provoquer des incidents majeurs tels que des renards, des fuites, des glissements de terrain, voire la rupture de la digue, entraînant des pertes considérables. Lors des inondations catastrophiques du bassin du Yangtsé en 1998, environ 80 % des incidents sur les digues ont été causés par les termites, soulignant pleinement l'importance de la lutte anti-termites dans la gestion de la sécurité des ouvrages hydrauliques.

La longueur totale des digues existantes en Chine dépasse les 300 000 km. Une grande partie d'entre elles a été construite entre les années 1950 et 1970, avec des normes de construction basses, une longue durée de fonctionnement et des conditions d'entretien limitées, ce qui rend le problème des infestations de termites particulièrement aigu. Selon les statistiques, le taux d'infestation des digues dans les bassins méridionaux de la Chine, comme ceux du Yangtsé, de la Rivière des Perles et de la Huaihe, dépasse 60 %, et il atteint même plus de 80 % pour les digues anciennes. Avec le réchauffement climatique, l'aire de répartition des termites s'étend vers le nord et l'intensité des infestations s'aggrave, posant des défis sans précédent à la lutte anti-termites dans les ouvrages hydrauliques.

Pendant longtemps, la surveillance des termites dans les ouvrages hydrauliques chinois reposait principalement sur des méthodes traditionnelles telles que les inspections manuelles, le piégeage par appâts et la vérification par excavation manuelle. Ces méthodes sont non seulement exigeantes en main-d'œuvre, peu efficaces et de portée limitée, mais elles dépendent aussi fortement de l'expérience des inspecteurs. Elles présentent des problèmes majeurs tels qu'un retard de réponse, un taux d'erreur de diagnostic élevé et de nombreuses zones d'ombre de surveillance, ce qui rend difficile la détection précoce et l'alerte préventive des infestations de termites. Avec le développement rapide de l'Internet des objets (IoT), de l'intelligence artificielle (IA) et des technologies de capteurs, les technologies de surveillance automatisée et intelligente des termites sont devenues un sujet de recherche brûlant. Des dispositifs de surveillance basés sur un seul mode (visuel, acoustique, thermique) sont progressivement appliqués dans la pratique technique, mais ils se heurtent encore à des goulots d'étranglement technologiques significatifs : le mode visuel est facilement affecté par l'obscurité souterraine, l'humidité, l'obstruction par la boue et le sable, et les interférences de corps étrangers, avec un taux de rappel insuffisant pour les petites cibles de termites de 3 à 5 mm, ce qui entraîne des problèmes de non-détection ; le mode acoustique est sensible aux interférences sonores environnementales telles que le ruissellement de la pluie, les vibrations du sol, l'activité des insectes et des rongeurs, et le bruit de l'eau courante, avec une faible adaptabilité environnementale et un taux de fausses alarmes généralement supérieur à 8 % ; le mode thermique ne peut identifier que les anomalies thermiques évidentes produites par les grands nids de termites, mais ne peut pas capter les faibles signaux d'élévation de température générés par l'activité initiale d'individus dispersés, ce qui présente un risque élevé de non-détection. De plus, un seul mode manque d'un mécanisme efficace de vérification croisée. Dans l'environnement complexe et variable des ouvrages hydrauliques, il est difficile d'assurer simultanément un taux de reconnaissance élevé et un faible taux de fausses alarmes et de non-détection, ce qui ne répond pas aux besoins réels de la surveillance technique.

Actuellement, les recherches nationales et internationales n'ont pas encore abouti à un système technique mature de surveillance des termites basé sur la perception synergique et la fusion profonde multimodale. Les dispositifs de surveillance des termites développés à l'étranger sont pour la plupart basés sur un seul mode, présentant des problèmes tels qu'une faible précision de reconnaissance, une courte autonomie, un coût élevé et une inadaptation à l'environnement hydraulique complexe de la Chine. Les recherches nationales en Chine ont commencé plus tard. La plupart des produits existants utilisent une technologie à capteur unique. Certaines tentatives de fusion multimodale souffrent également de défauts tels qu'une profondeur de fusion insuffisante, une faible robustesse des algorithmes et un faible degré d'ingénierie, n'ayant pas encore réalisé une synergie efficace et une fusion précise des données multimodales, ce qui ne peut répondre aux besoins réels de la surveillance des termites dans les ouvrages hydrauliques.

À cette fin, cet article se concentre sur la technologie centrale de la fusion trimodale « vision-son-température » pour développer et valider l'application d'un dispositif de surveillance passif souterrain des termites. L'accent est mis sur les technologies clés telles que l'acquisition de données multimodales, le prétraitement, la fusion des caractéristiques, la vérification des décisions, ainsi que l'identification des espèces et des castes de termites et la prédiction de l'emplacement des nids. Grâce à de nombreux tests en laboratoire et à des applications sur le terrain dans divers ouvrages hydrauliques à travers la Chine, les performances et la praticité du dispositif sont pleinement validées, fournissant un soutien technique de base applicable et reproductible pour la surveillance intelligente et l'alerte précoce des termites dans les ouvrages hydrauliques, et favorisant la transition de la lutte anti-termites dans les ouvrages hydrauliques chinois de « l'inspection manuelle et du traitement a posteriori » à la « surveillance intelligente et à l'alerte précoce ».

Construction du système de perception multimodale et acquisition de données

1. Configuration des capteurs multimodaux et caractéristiques des signaux

Le dispositif de surveillance à capteurs multimodaux adopte une conception de structure souterraine passive intégrée, sans nécessité d'alimentation externe ni de câblage. Il peut être enterré directement dans les zones à forte activité de termites. Utilisant trois types de capteurs (image, son et température) comme unités de perception centrales, il construit un système de perception synergique multidimensionnel de l'activité des termites, réalisant la capture synchrone de signaux multi-sources dans le même espace et au même moment, fournissant un support de données de haute qualité pour la reconnaissance par fusion multimodale ultérieure.

Perception du mode visuel : Utilisation d'un capteur d'image CMOS haute résolution de 5 mégapixels et d'un objectif grand angle à faible distorsion de 120°. Les paramètres d'exposition et la stratégie de mise au point sont optimisés pour les petites cibles de termites, permettant d'identifier clairement des termites individuels d'une taille minimale de 3 mm. Pour s'adapter à l'environnement souterrain faiblement éclairé et humide, un schéma d'imagerie à faible luminosité (éclairement minimum de 0,01 lux) est adopté, associé à un algorithme de débruitage adaptatif et un algorithme d'amélioration du contraste. Cela supprime efficacement les interférences sonores dans l'environnement souterrain, garantissant une sortie stable des caractéristiques clés telles que le contour morphologique, la texture de la surface corporelle, la trajectoire de mouvement et la densité de la population des termites sans source lumineuse externe, fournissant des données d'image claires et efficaces pour la reconnaissance visuelle.

Perception du mode sonore : Utilisation d'un capteur acoustique MEMS à haute sensibilité de -30 dB pour capturer les faibles signaux sonores générés par les termipes lors de l'alimentation (rongement du bois, du sol), de la marche et de la trophallaxie.

Perception du mode thermique : Utilisation d'un capteur de température NTC de haute précision, avec une plage de mesure de -40 à 85 °C, une précision de ±0,1 °C et un temps de réponse ≤ 100 ms. Il peut capturer avec précision les signaux de micro-élévation de température locale de 0,3 à 1,5 °C produits par l'activité métabolique des colonies de termites. Le capteur est disposé en plusieurs points, avec 3 points de mesure de température uniformément répartis à l'intérieur du dispositif. Grâce à un échantillonnage continu et à un algorithme de filtrage glissant, la tendance des variations de température est surveillée en temps réel, permettant de distinguer efficacement les signaux thermiques métaboliques des termites des perturbations telles que les fluctuations thermiques naturelles du sol, le rayonnement solaire et la conduction thermique de l'eau, fournissant des données de température fiables pour la reconnaissance thermique.

2. Perception fusionnée de la température et de l'humidité et compensation environnementale

L'environnement des ouvrages hydrauliques est complexe et variable. Des facteurs environnementaux tels qu'une humidité élevée et des variations extrêmes de température peuvent entraîner une dérive de la mesure du capteur de température, affectant la fiabilité de la reconnaissance du mode thermique. Pour résoudre ce problème, cette étude conçoit une logique de perception fusionnée de la température et de l'humidité et de compensation environnementale, permettant au capteur d'humidité et au capteur de température de fonctionner en synergie pour réaliser une correction précise du signal de température et améliorer la capacité anti-interférence. La logique de mise en œuvre spécifique est la suivante : premièrement, collecter simultanément les données de température ambiante et d'humidité relative. Sur la base d'une grande quantité de données expérimentales sur l'activité des termites, construire un modèle de corrélation température-humidité-activité des termites, clarifiant l'intensité de l'activité et les caractéristiques de la chaleur métabolique des termites dans différentes conditions de température et d'humidité, fournissant une base théorique pour la reconnaissance par fusion ultérieure ; deuxièmement, lorsque l'humidité relative ambiante > 85 %, activer l'algorithme de compensation de la dérive de température. En fonction de la corrélation entre la valeur d'humidité et la quantité de dérive de température, corriger en temps réel les données de mesure de la température, corrigeant l'erreur de mesure du capteur dans un environnement à haute humidité, garantissant la précision des données de température ; troisièmement, définir une plage de forte activité des termites (température 25-30 °C, humidité 60-80 %). Dans cette plage, l'activité des termites est fréquente et le signal de chaleur métabolique est évident. Augmenter de manière appropriée le poids de confiance thermique de la sortie du mode thermique pour améliorer la sensibilité de la reconnaissance ; quatrièmement, dans les plages de température et d'humidité extrêmes (température < 15 °C ou > 35 °C, humidité < 40 % ou > 90 %), l'intensité de l'activité des termites diminue considérablement et le signal de chaleur métabolique est faible. Augmenter de manière appropriée le seuil de confiance du mode unique pour éviter les erreurs de jugement causées par des facteurs environnementaux, garantissant la robustesse de la reconnaissance par fusion.

La vérification expérimentale montre que le mécanisme de fusion température-humidité améliore la stabilité du mode thermique de plus de 12 % dans des environnements complexes tels que la saison des pluies dans le sud de la Chine, l'humidité élevée côtière et les basses températures dans le nord de la Chine. L'erreur de mesure de la température est contrôlée à ±0,2 °C, fournissant une entrée de température plus fiable pour la reconnaissance par fusion multimodale.

3. Synchronisation et prétraitement des données multimodales

La synchronisation temporelle et le recalage spatial des données multimodales sont des prérequis pour une fusion efficace. Ce dispositif adopte un schéma de synchronisation par horodatage matériel, configurant un module d'horloge unifié pour les trois types de capteurs (image, son et température), garantissant que l'erreur de synchronisation du temps de collecte des trois types de signaux est ≤ 10 ms, réalisant un alignement strict des signaux multi-sources au même moment et dans la même zone. En même temps, une conception de recalage spatial est adoptée, plaçant le capteur de température et le capteur sonore du même côté que la zone de collecte visuelle, garantissant que les trois types de capteurs surveillent la même plage spatiale, évitant les problèmes de non-correspondance des caractéristiques causés par un décalage spatial.

En raison de la complexité de l'environnement souterrain, les données multimodales collectées contiennent beaucoup d'interférences sonores (telles que l'obstruction par la boue et le sable dans les images, le bruit environnemental dans le son, les sauts instantanés de température). Un processus de prétraitement est nécessaire pour améliorer la qualité des données, jetant les bases de l'extraction des caractéristiques et de la reconnaissance par fusion ultérieures. Le processus de prétraitement spécifique est le suivant.

① Prétraitement des données d'image : Tout d'abord, utiliser un algorithme de filtrage gaussien pour supprimer le bruit gaussien dans l'image, puis utiliser un algorithme d'égalisation d'histogramme pour améliorer le contraste de l'image et renforcer la distinction entre la cible des termites et l'arrière-plan. Pour les petites cibles de termites dans l'environnement souterrain, utiliser un algorithme de renforcement des petites cibles pour agrandir et renforcer les caractéristiques des minuscules zones de l'image, évitant ainsi la non-détection des petites cibles. Enfin, grâce à un traitement morphologique (dilatation, érosion), éliminer les impuretés fines de l'image, préservant les caractéristiques morphologiques complètes de la cible des termites.

② Prétraitement des données sonores : Utiliser un algorithme de filtrage passe-bande pour filtrer les signaux sonores en dehors de la bande de fréquences de 100 à 500 Hz, puis utiliser un algorithme de débruitage par ondelettes pour supprimer les interférences haute fréquence et le bruit impulsionnel dans le signal. Diviser le signal sonore débruité en trames, avec une longueur de trame de 256 ms et un pas de trame de 128 ms. Extraire les caractéristiques acoustiques clés de chaque trame, telles que l'énergie à court terme, le taux de passage par zéro, l'entropie spectrale et les coefficients cepstraux de fréquence Mel (MFCC), pour former un vecteur de caractéristiques sonores. Enfin, par normalisation, mapper le vecteur de caractéristiques à la même dimension pour faciliter les calculs de fusion ultérieurs.

③ Prétraitement des données de température : Utiliser un algorithme de filtrage par moyenne glissante (taille de fenêtre de 5) pour supprimer les valeurs aberrantes de saut instantané dans les données de température et lisser la courbe de variation de la température. Calculer la différence de température entre les points d'échantillonnage adjacents pour obtenir la caractéristique du taux d'élévation de la température. Effectuer une interpolation sur les données de température multipoints pour construire un champ de température bidimensionnel, en extrayant des caractéristiques telles que le gradient de température et la plage de la zone thermique. Enfin, par normalisation, unifier les dimensions des caractéristiques de température avec les caractéristiques d'image et les caractéristiques sonores, garantissant la compatibilité de l'algorithme de fusion.

Algorithme de fusion de données multimodales et optimisation du modèle d'IA

1. Architecture de fusion à deux niveaux « niveau des caractéristiques + niveau des décisions »

Pour résoudre les limites de la reconnaissance à mode unique et réaliser une synergie efficace et une fusion précise des données multi-sources, cette étude conçoit une architecture de fusion à deux niveaux combinant la fusion au niveau des caractéristiques et la fusion au niveau des décisions. Elle améliore la précision et la robustesse de la reconnaissance à deux niveaux : l'expression des caractéristiques et le jugement décisionnel, formant un processus de reconnaissance complet « collecte de données - prétraitement - extraction des caractéristiques - fusion des caractéristiques - jugement décisionnel ».

(1) Algorithme de fusion au niveau des caractéristiques

La fusion au niveau des caractéristiques consiste à fusionner en profondeur les caractéristiques extraites des trois modes (image, son et température) pour former un vecteur de caractéristiques conjoint plus représentatif, compensant les insuffisances des caractéristiques d'un seul mode et améliorant la capacité d'expression des caractéristiques des petites cibles de termites. Le processus de mise en œuvre spécifique est le suivant.

① Extraire respectivement les caractéristiques clés des trois modes. Les caractéristiques d'image sont extraites via le réseau principal (CSPNet) du modèle YOLOv10-M optimisé, obtenant un vecteur de caractéristiques de convolution profond de 256 dimensions, contenant des informations clés telles que la morphologie et la texture des termites. Les caractéristiques sonores sont extraites via les coefficients cepstraux de fréquence Mel (MFCC), obtenant un vecteur de caractéristiques acoustiques de 128 dimensions, contenant des informations telles que la fréquence et l'énergie des sons d'activité des termites. Les caractéristiques de température sont extraites via le gradient de température et le taux d'élévation de la température, obtenant un vecteur de caractéristiques de température de 64 dimensions, contenant des informations sur les lois de variation de la chaleur métabolique des termites.

② Utiliser une combinaison de concaténation de caractéristiques et de mécanisme d'attention pour réaliser une fusion profonde des trois types de caractéristiques. Concaténer les vecteurs de caractéristiques d'image, de son et de température pour former un vecteur de caractéristiques conjoint initial de 448 dimensions. Introduire un mécanisme d'attention par canal (SE-Net) pour attribuer des poids aux différents canaux du vecteur de caractéristiques conjoint, en renforçant les canaux de caractéristiques liés à la reconnaissance des termites (tels que le canal de caractéristiques morphologiques dans l'image, le canal de bande de fréquences caractéristiques dans le son, le canal de caractéristiques d'élévation de température dans la température), tout en supprimant les interférences des canaux de caractéristiques non pertinents, améliorant ainsi la capacité d'expression du vecteur de caractéristiques conjoint.

③ Utiliser l'algorithme d'analyse en composantes principales (ACP) pour réduire la dimensionnalité du vecteur de caractéristiques conjoint. Réduire le vecteur de caractéristiques de 448 dimensions à 128 dimensions, supprimant les caractéristiques redondantes et réduisant la charge de calcul, tout en conservant les caractéristiques de reconnaissance clés, fournissant une entrée de caractéristiques efficace pour la fusion au niveau des décisions ultérieure et la reconnaissance par le modèle d'IA.

(2) Algorithme de fusion au niveau des décisions

La fusion au niveau des décisions consiste, sur la base de la fusion au niveau des caractéristiques, à effectuer une vérification croisée et une décision globale des résultats de reconnaissance des trois modes, améliorant encore la fiabilité de la reconnaissance et réduisant les taux de fausses alarmes et de non-détection. Cette étude conçoit un mécanisme de vote trimodal basé sur des seuils de confiance. La logique de décision spécifique est la suivante.

① Calcul de la confiance de reconnaissance monomodale. Effectuer une reconnaissance monomodale pour les trois modes (image, son et température) et calculer leurs confiances de reconnaissance respectives. Le mode image produit une confiance de reconnaissance d'image (plage 0-1) via le modèle YOLOv10-M optimisé. Le mode sonore produit un degré de correspondance des caractéristiques sonores (plage 0-1) via un modèle de machine à vecteurs de support (SVM). Le mode thermique produit une confiance thermique (plage 0-1) via une logique de jugement d'anomalie de température.

② Définition des seuils de confiance. Sur la base d'une grande quantité de données de tests en laboratoire et de données de validation sur le terrain, déterminer les seuils de confiance de reconnaissance pour les trois modes par analyse statistique : confiance de reconnaissance d'image ≥ 0,90, degré de correspondance des caractéristiques sonores ≥ 0,85, confiance thermique ≥ 0,80 (correspondant à une anomalie de température durant ≥ 30 s et une élévation de température ≥ 0,3 °C). La définition des seuils tient pleinement compte de la robustesse de la reconnaissance dans différents environnements, évitant à la fois les non-détections dues à des seuils trop élevés et les fausses alarmes dues à des seuils trop bas.

③ Règles de décision par vote. Adopter une règle de vote « trois conditions satisfaites », c'est-à-dire que ce n'est que lorsque les confiances de reconnaissance des trois modes (image, son et température) atteignent toutes leurs seuils respectifs qu'il est jugé qu'il y a « activité de termites » et qu'une alarme est déclenchée. Si la confiance d'un mode quelconque n'atteint pas le seuil, il est jugé qu'il n'y a « pas d'activité de termites » et le signal est considéré comme une interférence. En même temps, un mécanisme de déclenchement par détection continue est introduit. Le même dispositif doit détecter l'activité des termites trois fois de suite (avec un intervalle de 30 s entre chaque détection) pour déclencher officiellement l'alarme, réduisant ainsi davantage les fausses alarmes causées par des interférences occasionnelles.

La vérification expérimentale montre que ce mécanisme de fusion au niveau des décisions réduit le taux de fausses alarmes du dispositif de plus de 8 % pour un mode unique traditionnel à 0,92 %, et le taux de non-détection à 0,3 %, améliorant considérablement la fiabilité de la reconnaissance.

2. Technologies clés de la fusion du mode thermique

En tant que composant central de la fusion trimodale, la précision de reconnaissance du mode thermique affecte directement l'effet de fusion global. Pour résoudre le problème des signaux de chaleur métabolique des termites dans l'environnement souterrain, qui sont faibles et facilement perturbés par l'environnement, cette étude se concentre sur le développement de technologies clés pour la fusion du mode thermique, comprenant trois modules : la logique de discrimination de micro-élévation de température, la localisation du champ de température et la prédiction du nid, et le filtrage anti-interférence de la température, afin d'améliorer la précision de reconnaissance et la capacité anti-interférence du mode thermique.

(1) Logique de discrimination de micro-élévation de température

Les signaux de micro-élévation de température (0,3-1,5 °C) produits par l'activité des colonies de termites sont extrêmement faibles et facilement confondus avec les fluctuations thermiques naturelles du sol. Pour cette raison, une logique de discrimination de micro-élévation de température avec coopération multi-points de mesure est conçue. Le processus spécifique est le suivant : ① Discrimination par point de mesure unique : si la différence de température entre trois échantillonnages consécutifs (intervalle d'échantillonnage de 10 s) d'un point de mesure de température unique est ≥ 0,3 °C et que la durée est ≥ 30 s, ce point de mesure est marqué comme « point de mesure d'anomalie thermique ». ② Discrimination par coopération multi-points de mesure : si trois points de mesure de température adjacents sont simultanément marqués comme « points de mesure d'anomalie thermique » et que la plage de la zone d'anomalie thermique est ≥ 5 cm × 5 cm, il est alors jugé qu'il s'agit d'une « anomalie thermique d'agrégation de la colonie de termites », excluant les erreurs de jugement causées par une défaillance d'un seul point de mesure ou une perturbation thermique locale du sol. ③ Correction de la température et de l'humidité : en combinant les données d'humidité collectées simultanément et en utilisant le modèle de corrélation température-humidité-activité des termites, la confiance thermique est corrigée. Si l'on se trouve dans la plage de température et d'humidité de forte activité des termites, la confiance thermique est augmentée de manière appropriée ; dans le cas contraire, elle est diminuée, améliorant encore la précision de la discrimination.

(2) Localisation du champ de température et prédiction du nid

Sur la base des données de température multipoints, un modèle de champ de température bidimensionnel est construit pour réaliser la localisation du centre d'agrégation des termites et la prédiction de l'emplacement du nid, fournissant des indications de localisation précises pour le traitement sur le terrain. La méthode de mise en œuvre spécifique est la suivante : ① Construction du champ de température : en utilisant l'algorithme d'interpolation par krigeage sur les données de température des trois points de mesure, un champ de température bidimensionnel dans un rayon de 1 m autour du dispositif est construit, présentant visuellement la distribution de la température. ② Localisation du centre d'agrégation : identifier la zone de haute température dans le champ de température et calculer le centre géométrique de cette zone. Ce centre est le centre d'agrégation des termites, avec une erreur de localisation ≤ 0,5 m. ③ Prédiction du nid : en fonction des habitudes de nidification des termites et des caractéristiques du champ de température, combinées aux données historiques, un modèle de prédiction de l'emplacement du nid est établi. En utilisant des paramètres tels que le gradient de température de la zone de haute température, la durée de l'anomalie thermique et la taille de la zone, la profondeur et la portée du nid sont prédites (l'erreur de prédiction de la profondeur du nid est ≤ 0,3 m), fournissant des conseils précis pour l'excavation sur le terrain et réduisant les excavations inutiles.

(3) Filtrage anti-interférence de la température

Les interférences de température dans l'environnement souterrain comprennent principalement la chaleur du rayonnement solaire, la conduction thermique du sol et l'absorption de chaleur par évaporation de l'eau. Ces signaux d'interférence présentent des différences évidentes par rapport aux signaux de chaleur métabolique des termites. Grâce à l'analyse des caractéristiques et au filtrage algorithmique, les signaux d'interférence peuvent être efficacement distingués des signaux valides. Les stratégies de filtrage spécifiques sont les suivantes : ① Filtrage de la chaleur du rayonnement solaire : les variations de température causées par le rayonnement solaire sont caractérisées par une grande surface, une progressivité et une synchronicité. Il n'y a pas de centre de haute température locale évident dans le champ de température. En surveillant la distribution spatiale et le taux de variation de la température, ce type d'interférence peut être efficacement filtré. ② Filtrage de la conduction thermique du sol : les variations de température causées par la conduction thermique du sol sont lentes, globales et sans saut brusque, avec un faible gradient de température. En calculant le taux et le gradient de variation de la température, la conduction thermique du sol peut être distinguée de la chaleur métabolique des termites. ③ Filtrage de l'absorption de chaleur par évaporation de l'eau : les variations de température causées par l'évaporation de l'eau sont instantanées, locales et caractérisées par un refroidissement, ce qui est contraire à la caractéristique d'élévation de température de la chaleur métabolique des termites. En surveillant la tendance de la variation de température (élévation/refroidissement), ce type d'interférence peut être efficacement filtré. La vérification expérimentale montre que le taux de précision du filtrage anti-interférence de la température atteint 99,2 %, ce qui permet d'éviter efficacement les erreurs de jugement causées par les interférences de température ambiante.

3. Optimisation de YOLOv10-M basée sur des contraintes multimodales

En tant que modèle de détection d'objets léger, YOLOv10-M présente les avantages d'une vitesse de détection rapide, d'une haute précision et d'un faible nombre de paramètres, ce qui le rend adapté au déploiement sur des dispositifs de périphérie. Cependant, ce modèle présente encore des lacunes dans la reconnaissance des petites cibles de termites et la résistance aux interférences dans des environnements complexes. Par conséquent, en combinant les besoins de la fusion multimodale, des optimisations spécifiques sont apportées au modèle YOLOv10-M pour améliorer sa capacité de reconnaissance et sa robustesse pour les petites cibles de termites. Les mesures d'optimisation spécifiques sont les suivantes.

① Ajout d'une tête de détection pour petites cibles. Pour les petites cibles de termites de 3 à 5 mm, une nouvelle tête de détection pour petites cibles (taille de la carte de caractéristiques de sortie de 1024 × 1024) est ajoutée au modèle YOLOv10-M, renforçant la capacité d'extraction et de reconnaissance des caractéristiques des petites cibles et améliorant le taux de rappel des petites cibles. En même temps, la taille des boîtes d'ancrage de la tête de détection est ajustée. En fonction de la taille réelle des termites (3-5 mm), trois groupes de boîtes d'ancrage (4×4, 5×5, 6×6) sont conçus pour correspondre aux caractéristiques morphologiques des petites cibles de termites, réduisant les non-détections causées par une inadéquation des boîtes d'ancrage.

② Introduction d'un mécanisme de porte pour les caractéristiques de température. Le vecteur de caractéristiques de température est intégré dans la couche de fusion de caractéristiques du modèle via une unité de porte, réalisant une synergie entre les caractéristiques de température et les caractéristiques d'image. Lorsque les caractéristiques de température détectent une anomalie thermique, l'unité de porte s'ouvre, renforçant le poids de reconnaissance de la cible des termites dans les caractéristiques d'image. Lorsqu'il n'y a pas d'anomalie dans les caractéristiques de température, l'unité de porte se ferme, réduisant le poids de reconnaissance des caractéristiques d'image, diminuant ainsi les erreurs de jugement sur les cibles non-termites et améliorant la capacité anti-interférence du modèle.

③ Fusion des caractéristiques d'énergie sonore. Les caractéristiques d'énergie à court terme du son sont intégrées dans la tête de classification du modèle, en synergie avec les caractéristiques d'image pour le jugement de classification. Lorsque l'énergie à court terme du son se trouve dans la bande de fréquences caractéristique de l'activité des termites (100-500 Hz) et que la valeur d'énergie atteint le seuil, la confiance de classification du modèle pour la cible des termites est augmentée ; dans le cas contraire, la confiance de classification est diminuée, supprimant davantage les erreurs de jugement causées par le bruit ambiant.

④ Compression légère du modèle. En utilisant la technique de distillation des connaissances, avec YOLOv10-L comme modèle enseignant et YOLOv10-M comme modèle étudiant, les connaissances du modèle enseignant sont transférées au modèle étudiant. Tout en garantissant la précision de la reconnaissance, le nombre de paramètres du modèle est compressé de 60 %, la vitesse d'inférence est augmentée de 40 %, et le temps d'inférence par image est ≤ 20 ms, répondant aux besoins de surveillance en temps réel sur les dispositifs de périphérie, tout en réduisant la consommation d'énergie du dispositif et en prolongeant l'autonomie.

Les tests en laboratoire montrent que le taux de reconnaissance du modèle YOLOv10-M optimisé pour les petites cibles de termites atteint 99,95 %, soit une amélioration de 7,65 % par rapport au modèle original. Le taux de non-détection est réduit à 0,3 % et le taux de fausses alarmes à 0,92 %, répondant aux exigences de temps réel et de précision de la surveillance des termites dans les ouvrages hydrauliques.

4. Technologie d'identification des espèces et des castes de termites

Différentes espèces et castes de termites causent des degrés de dommages différents aux digues. L'identification précise des espèces et des castes peut fournir une base scientifique pour une lutte ciblée et améliorer l'efficacité de la lutte. Sur la base des différences de caractéristiques multimodales, cette étude construit un modèle d'identification des espèces et des castes de termites pour identifier cinq espèces de termites nuisibles principales (Odontotermes formosanus, Macrotermes barneyi, Coptotermes formosanus, Reticulitermes speratus, Macrotermes annandalei) et trois castes (ouvrières, soldats, reproducteurs) dans les ouvrages hydrauliques chinois.

(1) Identification des espèces

Les caractéristiques morphologiques, sonores et de chaleur métabolique diffèrent considérablement entre les espèces : les ouvrières d'Odontotermes formosanus mesurent 3-4 mm de long, sont de couleur brun noirâtre, leur fréquence sonore d'alimentation est concentrée entre 200 et 300 Hz, et l'élévation de température de leur chaleur métabolique est de 0,5-0,8 °C ; les ouvrières de Macrotermes barneyi mesurent 4-5 mm de long, sont de couleur jaune pâle, leur fréquence sonore d'alimentation est concentrée entre 150 et 250 Hz, et l'élévation de température de leur chaleur métabolique est de 0,8-1,2 °C ; les ouvrières de Coptotermes formosanus mesurent 3-5 mm de long, sont de couleur blanc laiteux, leur fréquence sonore d'alimentation est concentrée entre 250 et 350 Hz, et l'élévation de température de leur chaleur métabolique est de 0,6-0,9 °C ; les ouvrières de Reticulitermes speratus mesurent 2-3 mm de long, sont de couleur gris blanchâtre, leur fréquence sonore d'alimentation est concentrée entre 100 et 200 Hz, et l'élévation de température de leur chaleur métabolique est de 0,3-0,5 °C ; les ouvrières de Macrotermes annandalei mesurent 5-6 mm de long, sont de couleur brun jaunâtre, leur fréquence sonore d'alimentation est concentrée entre 300 et 400 Hz, et l'élévation de température de leur chaleur métabolique est de 1,0-1,5 °C.

Sur la base de ces différences de caractéristiques, un modèle d'identification multimodale des espèces est construit : les caractéristiques morphologiques de l'image, les caractéristiques spectrales du son et les caractéristiques d'élévation de température sont fusionnées et entrées dans un classifieur SVM. Grâce à l'entraînement sur un grand nombre d'échantillons, une identification précise des cinq espèces est réalisée. Les tests montrent que le taux de précision de l'identification des espèces est > 98 %, avec un taux de précision de plus de 99 % pour Odontotermes formosanus et Macrotermes barneyi.

(2) Identification des castes

Les différentes castes d'une même espèce (ouvrières, soldats, reproducteurs) présentent des différences significatives en termes de morphologie, de comportement et de caractéristiques métaboliques : les ouvrières sont plus petites, principalement responsables de l'alimentation et de la construction du nid, avec une activité fréquente et une chaleur métabolique plus faible ; les soldats sont plus grands, avec une tête développée, sont agressifs, ont une fréquence d'activité plus faible et une chaleur métabolique moyenne ; les reproducteurs sont les plus grands, ont des ailes, leur activité est concentrée pendant la période de reproduction et leur chaleur métabolique est plus forte.

Sur la base de ces différences, et en s'appuyant sur l'identification des espèces, une identification des castes est réalisée : en distinguant les différences de taille et de morphologie par les caractéristiques d'image, en distinguant les différences de fréquence d'activité et de signaux sonores par les caractéristiques sonores, et en distinguant les différences de chaleur métabolique par les caractéristiques de température, un sous-modèle d'identification multimodale des castes est construit, permettant une distinction précise entre les ouvrières, les soldats et les reproducteurs, avec un taux de précision d'identification > 98 %. Le taux de précision d'identification des soldats atteint 99,2 %, fournissant des indications précises pour une lutte ciblée (par exemple, l'utilisation d'agents spécifiques contre les soldats).

Tests expérimentaux et validation de l'application dans les ouvrages hydrauliques

1. Tests de performance en laboratoire

Pour valider pleinement les performances de reconnaissance multimodale, l'adaptabilité environnementale, l'autonomie et d'autres indicateurs clés du dispositif, des tests systématiques sont menés dans un laboratoire professionnel de termites. L'environnement de test simule l'environnement souterrain caché des ouvrages hydrauliques. Des groupes d'échantillons de termites et des groupes d'interférence sont mis en place. Les performances de reconnaissance d'un mode unique et de la fusion trimodale sont comparées. L'adaptabilité environnementale et les performances d'autonomie du dispositif sont également testées pour garantir qu'il répond aux besoins réels du projet.

(1) Test des performances de reconnaissance

Sélectionner des échantillons d'ouvrières, de soldats et de reproducteurs des cinq espèces de termites nuisibles principales mentionnées ci-dessus, avec 100 individus par espèce et par caste, soit un total de 1500 échantillons de termites. Les échantillons d'interférence comprennent des organismes souterrains courants tels que les fourmis, les cafards et les vers de terre, ainsi que des signaux d'interférence environnementaux tels que les vibrations du sol, le ruissellement de la pluie et le bruit de l'eau courante, soit un total de 500 groupes d'échantillons d'interférence. Placer les échantillons de termites et les échantillons d'interférence séparément dans des boîtes de test simulant l'environnement souterrain. Déployer le dispositif de surveillance, surveiller en continu pendant 72 heures, enregistrer les résultats de reconnaissance et les alarmes du dispositif, et calculer les indicateurs clés tels que le taux de reconnaissance, le taux de précision des alarmes, le taux de fausses alarmes et le taux de non-détection. En même temps, tester respectivement les performances de reconnaissance des modes visuel, sonore et thermique uniques, et les comparer aux performances de reconnaissance de la fusion trimodale.

Les résultats des tests montrent qu'avec la reconnaissance par fusion trimodale, le taux de reconnaissance global des termites est de 99,96 %, avec un taux de reconnaissance de 99,98 % pour Odontotermes formosanus, 99,97 % pour Macrotermes barneyi, 99,96 % pour Coptotermes formosanus, 99,95 % pour Reticulitermes speratus et 99,94 % pour Macrotermes annandalei. Le taux de précision des alarmes est de 99,08 %. Le taux de fausses alarmes est de 0,92 %. Le taux de non-détection est de 0,3 %. Pour le mode visuel unique, le taux de reconnaissance est de 92,3 %, le taux de fausses alarmes de 7,8 % et le taux de non-détection de 7,7 %. Pour le mode sonore unique, le taux de reconnaissance est de 89,5 %, le taux de fausses alarmes de 9,1 % et le taux de non-détection de 10,5 %. Pour le mode thermique unique, le taux de reconnaissance est de 85,7 %, le taux de fausses alarmes de 6,3 % et le taux de non-détection de 12,4 %.

En résumé, les performances de reconnaissance de la fusion trimodale sont nettement supérieures à celles d'un mode unique, résolvant efficacement les problèmes de faible précision de reconnaissance et de taux élevés de fausses alarmes et de non-détection des modes uniques. Elle permet une reconnaissance précise des petites cibles de termites, répondant aux exigences de précision de la surveillance des termites dans les ouvrages hydrauliques.

(2) Test d'adaptabilité environnementale

Face à l'environnement complexe et variable des ouvrages hydrauliques, des tests d'adaptabilité environnementale tels que des tests de température élevée et basse, des tests d'étanchéité, des tests de brouillard salin et des tests de forte humidité sont menés pour vérifier la capacité de fonctionnement stable du dispositif dans différents environnements.

① Test de température élevée et basse. Placer le dispositif dans des enceintes thermostatiques à -20 °C, -10 °C, 0 °C, 25 °C et 55 °C, le faire fonctionner en continu pendant 72 heures, et enregistrer l'état de fonctionnement et les performances de reconnaissance du dispositif toutes les 12 heures. Les résultats des tests montrent que le dispositif fonctionne normalement dans la plage de -20 à 55 °C, avec un taux de reconnaissance stable supérieur à 99,5 %, sans aucune panne, répondant aux besoins d'utilisation dans différentes régions climatiques du pays.

② Test d'étanchéité. Immerger le dispositif dans une boîte de test à une profondeur d'eau de 1,5 m pendant 30 minutes, puis le retirer et vérifier si de l'eau a pénétré à l'intérieur du dispositif. Tester l'état de fonctionnement et les performances de reconnaissance du dispositif. Les résultats des tests montrent qu'il n'y a pas d'eau à l'intérieur du dispositif, qu'il fonctionne normalement, que le taux de reconnaissance reste supérieur à 99,9 % et que le niveau de protection atteint IP68, répondant aux besoins d'utilisation dans des environnements tels que l'accumulation d'eau en période de crue et les fortes pluies.

③ Test de brouillard salin. Placer le dispositif dans une chambre de brouillard salin contenant une solution de chlorure de sodium à 5 % pendant 48 heures. Après le test, vérifier l'état de corrosion du boîtier et des pièces métalliques du dispositif, ainsi que l'état de fonctionnement et les performances de reconnaissance du dispositif. Les résultats des tests montrent que le boîtier et les pièces métalliques du dispositif ne présentent pas de corrosion évidente, qu'il fonctionne normalement et que le taux de reconnaissance reste supérieur à 99,5 %, répondant aux exigences d'utilisation dans les environnements de brouillard salin côtier.

④ Test de forte humidité. Placer le dispositif dans une enceinte à température et humidité constantes avec une humidité relative de 95 % et le faire fonctionner en continu pendant 72 heures. Tester l'état de fonctionnement et les performances de reconnaissance du dispositif. Les résultats des tests montrent que le dispositif fonctionne normalement, que le taux de reconnaissance reste supérieur à 99,8 %, que le mécanisme de compensation par fusion température-humidité est efficace, sans dérive de mesure de température ni erreur de jugement, répondant aux exigences d'utilisation dans les environnements à forte humidité du sud de la Chine.

(3) Test d'autonomie

Le dispositif utilise une batterie lithium-thionyle de grande capacité de 38 Ah et une conception à faible consommation d'énergie. La méthode de test de son autonomie consiste à simuler un scénario de travail réel. Le dispositif fonctionne selon la stratégie suivante : « réveil toutes les 30 minutes la nuit, 20 secondes de travail à chaque réveil ; réveil toutes les 1 heure le jour, 20 secondes de travail à chaque réveil ». La consommation de la batterie est enregistrée. Les résultats des tests montrent que la consommation électrique moyenne du dispositif est de 0,012 mW et que l'autonomie de la batterie atteint 4,8 ans, répondant aux besoins du projet « une seule mise en place, quatre ans sans entretien », sans nécessité de remplacer fréquemment la batterie, réduisant ainsi les dommages à la structure de la digue.

2. Validation de l'application sur le terrain dans les ouvrages hydrauliques

Pour valider les performances et la praticité du dispositif dans des scénarios réels d'ouvrages hydrauliques, une validation de l'application sur le terrain a été menée dans 182 ouvrages hydrauliques à travers le pays, couvrant les principaux bassins versants tels que le bassin du Yangtsé, le bassin de la Rivière des Perles, le bassin de la Huaihe et le bassin du Fleuve Jaune, et incluant divers types d'ouvrages hydrauliques tels que les réservoirs, les digues et les écluses. L'étude a concerné divers environnements typiques, notamment les températures élevées et l'humidité élevée du sud, les collines du centre, les basses températures du nord et le brouillard salin côtier. Au total, plus de 2300 dispositifs ont été déployés, couvrant une superficie de surveillance de plus de 5 millions de m². Des points de surveillance traditionnels (inspection manuelle + piégeage par appâts) ont été installés simultanément comme témoins pour comparer et analyser l'effet d'application du dispositif.

(1) Classification des scénarios d'application et plan de déploiement

Selon le type d'ouvrage hydraulique et les caractéristiques des dommages causés par les termites, les scénarios d'application sont divisés en 4 catégories, avec un plan de déploiement standardisé.

① Scénario de barrage de réservoir. Déploiement principalement dans les zones à forte incidence de termites, telles que le talus aval du barrage, les terrasses, les deux côtés du déversoir et les culées du barrage. Utilisation d'une disposition en quinconce avec un espacement de 15 m entre les dispositifs, en se concentrant sur la surveillance de l'activité des termites à l'intérieur du corps du barrage pour prévenir les risques de renard et de fuite.

② Scénario d'ouvrage de digue. Déploiement principalement dans les zones telles que le talus aval de la digue, le pied de la digue et les zones de plage. Utilisation d'une disposition linéaire avec un espacement de 20 m entre les dispositifs, couvrant toute la ligne de la digue pour prévenir les risques de fuite et de glissement de terrain causés par la nidification des termites.

③ Scénario d'ouvrage d'écluse. Déploiement principalement dans le sol autour de l'écluse et des deux côtés des canaux d'amenée et de drainage, avec un espacement de 10 m entre les dispositifs, en se concentrant sur la surveillance de l'activité des termites dans les fondations de l'écluse pour prévenir les risques de fuite et de tassement des fondations.

④ Scénario de digue ancienne. Compte tenu du taux d'infestation élevé et de la structure fragile des digues anciennes, les dispositifs sont déployés de manière plus dense, avec un espacement de 10 m, en se concentrant sur la surveillance des sections dangereuses et critiques, permettant une détection et un traitement précoces des infestations de termites.

(2) Effet de l'application sur le terrain

Après 12 mois de validation de l'application sur le terrain, tous les indicateurs de performance du dispositif ont atteint ou dépassé les exigences de conception, présentant des avantages significatifs par rapport aux méthodes de surveillance traditionnelles. Les statistiques spécifiques de l'effet d'application sont les suivantes.

① Performances de reconnaissance et d'alarme. Au total, 127 activités de termites ont été surveillées, 109 infestations de termites ont été détectées avec succès et le taux de précision du traitement des infestations est de 100 %. Le temps de réponse de l'alarme est ≤ 20 s, tandis que le temps de réponse des méthodes de surveillance traditionnelles est de 7 à 15 jours. Le taux de reconnaissance du dispositif est de 99,95 %, le taux de précision des alarmes est de 98,5 %, le taux de fausses alarmes est de 1,4 % et le taux de non-détection est de 0,3 %, tous supérieurs aux exigences des normes de l'industrie (taux de précision des alarmes ≥ 95 %, taux de fausses alarmes ≤ 5 %, taux de non-détection ≤ 5 %).

② Efficacité et coût de la maintenance. Le coût annuel moyen de la maintenance pour l'inspection manuelle traditionnelle de 1 km de digue est d'environ 20 000 yuans. Avec ce dispositif, le coût de maintenance pour 1 km de digue peut être réduit de 14 000 yuans par an, soit une réduction de 70 % du coût annuel moyen de la maintenance. Une seule personne peut installer plus de 30 dispositifs par jour, ce qui est plus de 15 fois plus efficace que la méthode traditionnelle de piégeage par appâts (une personne installe 2 km par jour). Le dispositif fonctionne sans entretien pendant 4,8 ans, sans nécessité d'excavations fréquentes de la digue pour remplacer la batterie, réduisant ainsi les dommages à la structure de la digue et diminuant la charge de travail de maintenance.

③ Effet du traitement des infestations. Les 109 infestations de termites ont toutes été traitées en temps opportun, dont 87 étaient des activités précoces de termites dispersés et 22 étaient des nids de taille petite à moyenne. Après le traitement, un suivi a montré qu'il n'y a pas eu de récidive des termites, évitant efficacement le développement ultérieur des dommages causés par les termites et prévenant l'apparition d'incidents majeurs tels que les renards et les fuites, garantissant ainsi le fonctionnement sûr des ouvrages hydrauliques.

④ Adaptabilité à différents scénarios. Dans les scénarios de température élevée et d'humidité élevée du sud (par exemple, le réservoir Huangtian dans le Guangdong), le taux de reconnaissance du dispositif reste supérieur à 99,8 %. Dans les scénarios de basse température du nord (par exemple, la digue du Fleuve Jaune dans le Shandong), le dispositif fonctionne normalement à -20 °C, avec un taux de reconnaissance supérieur à 99,5 %. Dans les scénarios de brouillard salin côtier (par exemple, l'écluse Sanhe dans le Jiangsu), le dispositif fonctionne normalement après une corrosion par le brouillard salin, avec un taux de reconnaissance supérieur à 99,6 %. Dans les scénarios de digues anciennes (par exemple, le réservoir Caixian dans le Hubei), le dispositif a détecté avec succès 17 infestations de termites, avec un taux de précision du traitement de 100 %, résolvant efficacement le problème de la surveillance des termites dans les digues anciennes.

Conclusion et perspectives

1. Conclusion

En se concentrant sur la surveillance des termites dans les ouvrages hydrauliques et en utilisant la fusion de données trimodale « vision-son-température » comme technologie centrale, la recherche, les tests expérimentaux et la validation de l'application sur le terrain d'un dispositif de surveillance passif souterrain des termites ont été menés. Les travaux clés suivants ont été réalisés : construction d'un système de perception synergique multimodale, conception d'algorithmes de fusion, optimisation du modèle d'IA, identification des espèces et des castes de termites, et optimisation de l'adaptabilité environnementale. Les résultats clés suivants ont été obtenus.

① Un système de perception synergique trimodal de haute précision a été construit, réalisant la collecte et le prétraitement synchrones des signaux de morphologie des termites, des sons d'activité faibles et des signaux de micro-élévation de température métabolique. Combiné à un mécanisme de compensation par fusion température-humidité, la fiabilité des données multimodales dans des environnements complexes a été améliorée, résolvant le problème de la difficulté à capturer les signaux faibles des termites dans l'environnement souterrain caché.

② Une architecture de fusion à deux niveaux « niveau des caractéristiques + niveau des décisions » a été conçue. Un mécanisme d'attention et une règle de décision par vote trimodal ont été introduits, réalisant une fusion profonde des caractéristiques multi-sources et une prise de décision précise. Combiné au modèle YOLOv10-M optimisé, le taux de reconnaissance global des termites du dispositif a atteint 99,95 %, le taux de précision des alarmes a atteint 98,5 %, le taux de fausses alarmes a été réduit à moins de 1,5 % et le taux de non-détection a été réduit à 0,3 %, surpassant la reconnaissance à mode unique et les méthodes de surveillance traditionnelles, résolvant le problème central des taux élevés de fausses alarmes et de non-détection dans la surveillance traditionnelle.

③ Les technologies clés de la fusion du mode thermique ont été développées, notamment la discrimination de micro-élévation de température, la localisation du champ de température et la prédiction du nid, et le filtrage anti-interférence de la température. La localisation précise du centre d'agrégation des termites et la prédiction de l'emplacement du nid ont été réalisées, avec une erreur de localisation ≤ 0,5 m. En même temps, un modèle d'identification des espèces et des castes de termites a été construit, permettant l'identification précise de cinq espèces de termites nuisibles principales et de leurs trois castes, avec un taux de précision d'identification > 98 %, fournissant une base scientifique pour une lutte ciblée.

④ Le dispositif présente une forte adaptabilité environnementale et une longue autonomie. Il peut fonctionner de manière stable dans des environnements complexes tels que des températures allant de -20 à 55 °C, l'accumulation d'eau, le brouillard salin et une humidité élevée, avec une autonomie atteignant 4,8 ans.

⑤ La validation de l'application sur le terrain dans 182 ouvrages hydrauliques à travers le pays montre que le dispositif fonctionne de manière stable dans différents types d'ouvrages hydrauliques et dans différents environnements. Il a détecté avec succès 109 infestations de termites, avec un taux de précision du traitement de 100 %. Sa vitesse de réponse est supérieure à celle des méthodes de surveillance traditionnelles. Le taux de non-détection a diminué de 97 %, le taux de fausses alarmes de 88 % et le coût de maintenance de 70 %. Il a efficacement prévenu les incidents d'ouvrages hydrauliques causés par les termites, réalisant la transition de la surveillance des termites de « l'inspection manuelle et du traitement a posteriori » à la « surveillance intelligente et à l'alerte précoce ».

2. Perspectives

Bien que cette étude ait obtenu des résultats significatifs, compte tenu des besoins réels de la lutte anti-termites dans les ouvrages hydrauliques et des tendances de développement technologique, des optimisations et des améliorations supplémentaires sont encore nécessaires à l'avenir.

① Optimiser davantage l'algorithme de fusion multimodale en introduisant des modèles de fusion d'apprentissage profond (tels que les modèles de fusion Transformer) pour améliorer la profondeur de fusion des caractéristiques multi-sources et la robustesse de la reconnaissance. Optimiser les stratégies anti-interférence pour les environnements extrêmes (tels que les fortes pluies, les fortes vibrations et les températures très basses) afin de réduire le taux de fausses alarmes à moins de 1 % et le taux de non-détection à moins de 0,1 %.

② Étendre les fonctions de reconnaissance. Sur la base de l'identification existante des espèces et des castes, ajouter des fonctions d'évaluation de la taille du nid et de classification du niveau de danger. Grâce à l'analyse des caractéristiques multimodales, prédire la taille, la profondeur et le degré de danger du nid, fournissant une base plus précise pour les décisions de lutte. En même temps, étendre la portée de l'identification à plusieurs espèces de termites, couvrant toutes les espèces de termites qui endommagent les ouvrages hydrauliques en Chine.

③ Optimiser la conception matérielle du dispositif pour réduire davantage la consommation d'énergie et prolonger l'autonomie à plus de 5 ans. En même temps, optimiser la structure du dispositif pour améliorer sa résistance à la pression du sol et aux chocs externes, prolongeant ainsi sa durée de vie. Développer des versions miniaturisées et légères adaptées au déploiement dans les petits ouvrages hydrauliques et les terrains complexes.

④ Promouvoir la normalisation technologique et l'application à grande échelle. Sur la base des résultats de cette recherche, prendre l'initiative d'élaborer des normes industrielles pour la surveillance intelligente des termites dans les ouvrages hydrauliques, normalisant les processus de développement, de déploiement, de maintenance et de test des dispositifs. Étendre le champ d'application à tous les types d'ouvrages hydrauliques, en particulier les digues anciennes et les sections dangereuses et critiques, et construire un réseau national de surveillance des termites dans les ouvrages hydrauliques pour réaliser une surveillance globale et un contrôle intelligent des infestations de termites.

⑤ Renforcer l'intégration avec la technologie des jumeaux numériques hydrauliques. Connecter les données d'activité des termites, les données environnementales et les données de sécurité des digues collectées par le dispositif à la plateforme de jumeaux numériques hydrauliques pour construire un modèle de jumeau numérique des dommages causés par les termites. Réaliser une simulation dynamique, une prédiction des risques et un traitement intelligent de l'activité des termites, fournissant un support de données plus complet pour la maintenance sécurisée des ouvrages hydrauliques et favorisant la transition de la lutte anti-termites dans les ouvrages hydrauliques vers un « contrôle intelligent et précis, et une prévention active ».