基于CNN与改善的YOLOv8的集合多视图图像使用马来属马来的自动分类
Wararat Songpan1, Thotsapol Chaianunporn2, Khemika Lomthaisong3
1Department of Computer Science, College of Computing, Khon Kaen University, Khon Kaen, 40002, Thailand. wararat@kku.ac.th.
Scientific reports
|October 24, 2024
概括
使用改进的YOLOv8模型进行自动图像分析,准确识别了三种泰国吃牛的海物种. 这种计算生物学进步有助于野生动物保护,通过快速,专家级别的物种识别.
科学领域:
- 计算生物学 计算生物学
- 野生动物保护 野生动物保护
- 类学 类学 类学
背景情况:
- 泰国有两种马来吃牛的海物种受到保护,但一种新发现的物种M. khoratensis不是.
- 准确的物种识别对于执行野生动物保护法至关重要,但由于模糊的形态特征而具有挑战性.
研究的目的:
- 开发一种基于图像的自动化工具,可靠地区分三种马来西亚海物种.
- 通过利用先进的图像处理和机器学习来改进现有的识别方法.
主要方法:
- 开发了一种集体多视图图像处理方法,通过卷积神经网络 (CNN) 增强YOLOv8架构.
- 该模型从多个角度分析图像,以捕捉独特的形态特征,解决变异和遮.
- 为了训练和验证模型,使用了一个全面的数据集,将其性能与非整体和单一视图策略进行比较.
主要成果:
- 拟议的整体多视图YOLOv8模型实现了Malayemys物种分类的98%的高平均平均精度 (mAP).
- 图像分析模型的准确性与使用线粒体DNA的遗传方法进行了验证,该方法显示了每个物种的不同的序列.
- 该模型有效地克服了物种识别的形态特征的模两可.
结论:
- 开发的图像分析工具提供了一种快速而准确的方法来识别马来西亚海物种,支持保护工作.
- 这种方法推进了计算生物学,并为传统的识别方法提供了有价值的替代方案,增加了对现场识别的信心.
- 该研究通过准确识别受保护的海物种,有助于执行野生动物保护法.
