基于人工智能的海草形态测量测量
Sajal Halder1, Nahina Islam2, Biplob Ray2
1College of ICT, School of Engineering and Technology, Central Queensland University, Melbourne, Australia; Data61, CSIRO, Melbourne, Australia.
Journal of environmental management
|September 6, 2024
概括
研究人员开发了一个人工智能模型,从图像中自动测量海草生长,提高大堡礁保护工作的准确性和效率. 这种自动化方法有助于了解海草的健康状况并减轻其衰退.
科学领域:
- 海洋生物学 海洋生物学
- 生态生态学 生态生态学
- 计算科学是一种计算科学.
背景情况:
- 海草草地对大堡礁至关重要,提供诸如营养过,息地提供和蓝色碳捕获等生态服务.
- 了解海草的表型可塑性对于评估生态系统健康和制定保护策略来应对环境压力因素至关重要.
- 准确测量海草形态参数 (叶子,根茎,根尺寸) 对于增长评估至关重要,但传统上是耗时和劳动密集的.
研究的目的:
- 开发和评估一种自动机器学习模型,用于从数字图像中测量海草形态参数.
- 提高海草生长评估的效率和准确性,支持保护倡议.
- 为海草研究提供一个公开可用的工具.
主要方法:
- 使用深度学习模型YOLO-v6,用于图像处理和人工智能.
- 该模型被训练来分类三个不同的海草物体类型,并从数字图像中确定它们的尺寸.
- 绩效使用诸如回忆,精度和F1分数等指标进行评估.
主要成果:
- YOLO-v6模型在测量海草形态参数方面表现出高效率.
- 平均回忆率为97.5%,平均精度为83.7%,平均F1得分为90.1%.
- 开发的模型代码在GitHub上公开提供.
结论:
- 这种由人工智能驱动的模型显著提高了海草形态测量的自动化.
- 这项技术为手工测量提供了更准确,更有效的替代方案,有助于海草研究和保护.
- 该模型的公开可用性促进了海草监测的更广泛采用和进步.


