Video Experimental Relacionado
Updated: Feb 24, 2026
06:37
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
5.5K
Detección automatizada y reconocimiento de comportamiento relacionado con el riesgo de macacos de cola larga en un
Orawan Watchanupaporn1, Janya Jadejaroen2, Kanyanut Homsapaya1
1Department of Computer Science and Information, Faculty of Science at Sriracha, Kasetsart University, Sriracha, Chonburi, Thailand.
Journal of medical primatology
|February 22, 2026
Resumen
Este estudio desarrolló un sistema de IA utilizando YOLOv8 para detectar macacos de cola larga y sus comportamientos de riesgo en el campus. El sistema ofrece detección en tiempo real para ayudar a reducir las interacciones negativas entre humanos y macacos.
Área de la Ciencia:
- Análisis del comportamiento de la vida silvestre Análisis del comportamiento de la vida silvestre
- Aplicaciones de visión por computadora aplicaciones de visión por computadora.
- La inteligencia artificial en la ecología.
Sus antecedentes:
- El conflicto entre humanos y macacos aumenta con la superposición de hábitats, lo que lleva a comportamientos agresivos y daños a la propiedad.
- Los macacos de cola larga (Macaca fascicularis) representan riesgos para la seguridad humana, la propiedad y el medio ambiente.
- La gestión de las interacciones entre humanos y macacos es crucial en entornos compartidos como los campus universitarios.
Objetivo del estudio:
- Desarrollar un robusto sistema de detección basado en YOLOv8 para identificar macacos de cola larga y sus comportamientos relacionados con el riesgo.
- Para mejorar la robustez del sistema mediante el aumento de datos y la sintonización de hiperparámetros.
- Apoyar un sistema automatizado de alerta temprana y disuasión para la mitigación de conflictos entre humanos y macacos.
Principales métodos:
- Se implementó el modelo de detección de objetos You Only Look Once versión 8 (YOLOv8).
- Se utilizaron técnicas de aumento de datos (Mosaic, MixUp, transformaciones geométricas) para mejorar el rendimiento del modelo.
- El ajuste de hiperparámetros basado en el algoritmo genético (GA) se empleó para una mayor optimización.
Principales resultados:
- El sistema logró la detección en tiempo real de macacos y objetos contextuales.
- Se observó un fuerte rendimiento en diversas y difíciles condiciones ambientales.
- El sistema demostró su eficacia incluso con sujetos camuflados u ocultas parcialmente.
Conclusiones:
- El sistema desarrollado puede identificar eficazmente a los macacos y sus comportamientos.
- Este enfoque de IA proporciona una base para sistemas automatizados de alerta temprana y disuasión.
- Los hallazgos sugieren un método viable para reducir las interacciones negativas entre humanos y macacos.
Palabras clave:
La IA para la naturaleza.comportamiento reconocimiento comportamiento reconocimiento.La visión por computadora en primatología.las redes neuronales convolucionales.Aprendizaje profundo Aprendizaje profundo.humanwildlife mitigación de conflictos mitigación de conflictosel macaco de cola larga (Macaca fascicularis)detección de macacos de cola larga.detección de objetos de detección de objetos.
