在移动机器人平台上使用深度学习算法进行实时生物多样性分析.
Siddhant Panigrahi1, Prajwal Maski1, Asokan Thondiyath1
1Department of Engineering Design, Indian Institute of Technology Madras, Chennai, Tamil Nadu, India.
PeerJ. Computer science
|September 14, 2023
概括
本研究引入了一种新的深度学习 (DL) 方法,用于使用移动机器人实时监测生物多样性. 这种方法通过快速有效地识别物种和跟踪种群动态来增强生态调查.
科学领域:
- 生态生态学 生态生态学
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 全球生物多样性下降需要先进的保护战略.
- 目前的生态监测方法,如捕获-重新捕获,是劳动密集型的,并且在时空尺度上有限.
- 静止传感器提供局部数据,缺乏全面的生态系统洞察力.
研究的目的:
- 在移动机器人上使用深度学习 (DL) 开发实时生物多样性监测方法.
- 克服传统生态调查和固定传感器的局限性.
- 为了实现有效的生物多样性量化和人口动态研究.
主要方法:
- 利用最先进的深度学习算法在移动机器人有效载荷上实时识别物种.
- 训练有素的DL模型实现高平均精度 (mAP) 和快速推断时间.
- 开发并测试了实地调查的实验有效载荷,包括在线和离线数据收集.
主要成果:
- 深度学习算法实现了90.51%的平均平均精度 (mAP).
- 对于DL模型的平均推断时间为67.62毫秒.
- 现场调查验证了物种识别的拟议方法.
结论:
- 拟议的移动机器人DL系统为实时生物多样性监测提供了一个可行的解决方案.
- 这种方法促进了快速有效的生物多样性调查,有助于保护工作.
- 该方法可以扩展到各种生态系统中动植物的地理定位.


