基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例
为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别.本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,包括训练集2 074张,测试集519张.对图片进行目标打框、类别标注,选用darknet框架下的YOLO v3模型进行训练.首先不区分昼(RGB)夜(灰度)图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调(fine-tune)进行训练.研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升.fine-tune在小数据集时或可作为辅助.模型对8个物种识别的平均精确率达到84.9%~96.0%,且模型收敛.
深度学习、卷积神经网络、微调、自动识别、野生动物
39
Q145.1(生态学(生物生态学))
国家自然科学基金资助项目31270537,31270567,31200410,31210103911,31470566;科技部基础性工作专项基金资助项目2012FY112000;唐仲英基金会2016
2019-09-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
458-465