以数据为中心的AI方法用于自动化野生花监测
Gerard Schouten1,2, Bas S H T Michielsen1,3, Barbara Gravendeel2,4
1School of ICT, Fontys University of Applied Sciences, Eindhoven, Netherlands.
PloS one
|September 9, 2024
概括
我们介绍了埃因霍温野花数据集 (EWD) 和PyTorch模型,用于分类和计数野花. 这一数据集有助于自动化野生花监测和物体检测,增强自然资本评估.
科学领域:
- 植物学 植物学
- 计算机视觉 计算机视觉
- 环境科学 环境科学
背景情况:
- 野生花的监测对于评估生物多样性和自然资本至关重要.
- 现有的野生花的识别和量化方法往往是手动的,耗时的.
- 需要为生态调查提供自动化,准确和可扩展的解决方案.
研究的目的:
- 引入埃因霍温野花数据集 (EWD),这是一个全面的野花研究资源.
- 开发和评估一个物体检测模型来分类和计数野花.
- 为人工智能驱动的野花监测和生态评估建立一个基准.
主要方法:
- 在两个开花季度收集了2,002张跨越五种景观类型的野花的顶部图像.
- 专家对160个物种和31个家族的65,571个实例的数据集进行了专业注释,定义了特定物种的花计数单位.
- 在EWD的平衡子集上训练了一个PyTorch对象检测模型,获得0.82 mAP (@IoU>0.50) 评分.
主要成果:
- 爱因霍温野花数据集 (EWD) 包含2,002张图像,对160种野花有65,571个注释.
- 开发的PyTorch物体检测模型实现了0.82的平均平均精度 (mAP),超过了现有的方法.
- 该模型在各种自然环境中对野花进行分类和计数时表现出强的性能.
结论:
- 欧洲野生动植物日提供了一个有价值的,公开可用的资源,用于推进野花研究和人工智能应用.
- 使用开发的模型进行自动化野生花量化,可有效评估自然资本和生物多样性.
- 这项工作鼓励开发标准化的基于人工智能的生态研究监测系统.
