在树木图像识别研究方面，团队成员通过多尺度卷积神经网络（MSF-CNN）、全卷积神经网络（FCNN）等深度学习方法进行植物叶片的分割和识别，为植物物种鉴定和叶片病害识别提供了有效的预处理和降噪方法，极大程度提高了自动分割和识别的准确率。团队现已在《IEEE SIGNAL PROCESSING LETTERS》、《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》、《农业机械学报》等高水平期刊上发表10余篇论文。
图1 基于全卷积神经网络植物叶片图像分割方法框架
实现大规模、低成本、自动化的病虫害识别及虫情监测是人工智能在林业行业的又一重要应用。据悉，重大外来入侵害虫红脂大小蠹严重威胁着中国油松的生存，而传统监测依赖于人工识别和计数，结果主观、覆盖率低、耗费大量人力物力。为此，团队成员与林学院展开合作，利用摄像头及嵌入式设备拍摄诱捕器内红脂大小蠹数据，借助深度学习模型直接识别红脂大小蠹成虫并统计其数量，实现全自动虫灾监测预警。目前，已累计发表SCI\EI期刊论文4篇，申请发明专利及软件著作权3件。其中，研究成果《Automatic in-trap pest detection using deep learning for pheromone-based Dendroctonus valens monitoring》在《Biosystems Engineering》（IF：2.132，农林二区）上发表。
图2 红脂大小蠹监测流程
智慧园林的体系构建及应用技术研究是该团队在智慧园林研究上的两个切入点。一方面，牵头制定智慧园林建设规范和相关行业标准，填补智慧园林领域理论体系和框架的空白。另一方面，对生态监测关键技术展开物理层、传输层、和应用层的研究，通过构建生态监测平台，实现生态大数据的集成与共享、组织及处理、服务与应用。至今，已起草行业标准10余项，获授权专利及软件著作权10余件，团队成员参与的“中国智慧林业体系设计与实施示范”项目获第九届“梁希林业科学技术奖”一等奖。
图3 生态监测平台系统架构
上述研究得到了北京市科技计划项目（No.D171100001817003、No.Z171100001417005）、国家自然科学基金（No.61772078、No.31870642）、中央高校建设世界一流大学（学科）和特色发展引导专项资金项目、中央高校基本科研业务费专项资金（No.2017JC02、No.2018BLRD18）的联合支持。（aler）
