在时差摄像头录音中检测小昆虫的物体检测

科学领域:

• 生态与环境科学 生态与环境科学
• 计算机科学和人工智能 人工智能

背景情况:

• 昆虫是生态系统健康和全球粮食安全的重要授粉者.
• 全球昆虫数量不断减少,需要先进的监测技术.
• 目前的方法在复杂的自然环境中使用时差成像来检测小昆虫时遇到困难.

研究的目的:

• 开发和验证一种自动化方法来检测时间缩短的RGB图像中的昆虫.
• 为培训和测试检测模型创建一个全面的注释昆虫图像数据集.
• 与现有的深度学习方法相比,提高昆虫检测的准确性.

主要方法:

• 一种新的两步方法,将运动信息图像增强与卷积神经网络 (CNN) 对象检测相结合.
• 预处理时间延迟图像以使用运动和颜色线索突出显示昆虫.
• 使用和调整基于"你只看一次" (YOLO) 和"更快区域"的CNN (更快R-CNN) 对象探测器.

主要成果:

• 一个包含107,387张注释图像的数据集,主要包括蜜蜂,有9423,注释昆虫.
• 基于运动的增强显著改善了昆虫检测性能.
• YOLO探测器的微F1分数从0.49增加到0.71,而Faster R-CNN的从0.32增加到0.56.

结论:

• 拟议的基于运动的增强技术有效地提高了在时差图像中的昆虫检测.
• 开发的数据集和方法代表了飞行昆虫自动监测的重大进步.
• 这项工作支持生态研究和保护工作,使昆虫种群研究更有效.