生物污染的智能检测:水基础设施监测的深度学习框架

科学领域:

• * 侵入性物种生物学
• * 计算生物学 * 计算生物学
• * 水资源管理 水资源管理

背景情况:

• *金 (Limnoperna fortunei) 造成重要的生物污染和水电中断.
• *目前的识别方法缓慢,劳动密集,且不准确.
• *有效的生命周期监测对于入侵物种管理至关重要.

研究的目的:

• * 引入MusselDet,这是一个用于金生命周期检测和细分的AI框架.
• * 增强特征歧视和恢复稀疏的幼虫特征.
• * 为实时生物污染监测提供可扩展的解决方案.

主要方法:

• * 开发了一个端到端检测和实例细分框架 (MusselDet),使用了增强的Co-DETR架构.
• * 整合了一个类意识的卷积区注意模块 (CA-CBAM) 来增强功能.
• * 利用学习动态图卷积网络 (LDGCN) 来恢复幼虫特征,并使用位置感应变压器 (MLST) 来进行细分.

主要成果:

• * MusselDet在金贝数据集 (GMD) 上实现了90.3%的平均平均精度 (mAP50).
• * 该框架显示了每秒52.4 (FPS) 的高推断速度.
• * 在精度,回忆和速度方面表现优于基线和最先进的方法.

结论:

• * MusselDet提供了一个全面且可扩展的框架,用于金的生命周期监测.
• * 提供了实时,成本效益高的水利基础设施监控的基础.
• * 介绍了用于管理入侵生物污染物种的实用工具.