基于双模型融合的大熊猫头部图像分割

摘要：

在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用.圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性.基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势.已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类.但该方法依然存在检测精度不足导致识别准确率难以提升的问题.本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测.包含3个部分:YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合.结果显示,头部检测准确率为82.6％,大熊猫轮廓分割准确率为95.2％,总体头部轮廓分割准确率为87.1％.该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考.

关键词：大熊猫、YOLOv3、Mask R-CNN、双模型融合、图像分割

所属期刊栏目：43

分类号：Q-3(生物科学的研究方法与技术)

资助基金：四川省自然科学基金;成都大熊猫繁育研究基地开放课题

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：82-88