使用深度学习来自动化在无人机收集的空中图像上发现猩猩巢
Serge Wich1, Marc Ancrenaz2,3, Benoit Goossens4,5,6
1School of Biological and Environmental Sciences, Liverpool John Moores University, Liverpool, UK.
American journal of primatology
|December 8, 2025
概括
研究人员开发了一个深度学习模型,使用无人机自动检测猩猩巢,大大提高了监测效率. 这种人工智能方法为保护工作提供了比传统的地面调查更快的数据收集.
科学领域:
- 保护技术 保护技术
- 生态学中的人工智能
- 野生动物监测 野生动物监测
背景情况:
- 传统的猩猩监测依赖于昂贵的地面线截断方法.
- 对猩猩巢的无人机图像进行手动分析是耗时且昂贵的.
- 自动化巢检测对于提高基于无人机的野生动物调查效率至关重要.
研究的目的:
- 探索一种深度学习方法,用于在空中图像中自动检测猩猩巢.
- 使用无人机技术提高猩猩种群监测效率.
- 评估深度学习模型在不同类型的无人机中用于巢穴检测的性能.
主要方法:
- 利用YOLO v10深度学习模型进行自动化巢穴检测.
- 在868张图像上训练模型,其中有1568张来自马来西亚和印度尼西亚的有注释的猩猩巢.
- 采用转移学习方法,并在多旋转机和固定翼无人机的独立数据集上测试该模型.
主要成果:
- 在训练期间获得了0.831的平均平均精度 (mAP).
- 在独立测试中,在两种无人机类型中都证明了高精度 (0.98).
- 报告的召回率为多旋翼无人机的0.88%,固定翼无人机的0.71.
结论:
- 与无人机数据集成的深度学习模型显著提高了猩猩监测效率.
- 与传统方法相比,自动化巢穴检测可以缩短调查时间.
- 需要进一步的研究来改善模型召回,特别是固定翼无人机数据,以准确地分析人口趋势.
