相关实验视频
Updated: Jun 17, 2026
09:47
Spotting Cheetahs: Identifying Individuals by Their Footprints
Published on: May 1, 2016
15.3K
使用计算机视觉和深度学习模型识别婆罗洲猩猩巢,以改进保护战略
Donna Simon1,2, Keeyen Pang3, Rayner Bili4
1WWF-Malaysia, Kota Kinabalu, Sabah, Malaysia.
PeerJ
|December 8, 2025
概括
深度学习模型从无人机图像中准确地识别波尔尼猩猩的巢穴,大大帮助了保护工作. 这项技术自动化了人口监测,这对于保护这个危物种至关重要.
科学领域:
- 生态生态学 生态生态学
- 计算机科学 计算机科学
- 保护生物学 保护生物学
背景情况:
- 婆罗洲猩猩种群需要定期监测才能得到有效的保护.
- 无人驾驶飞行器 (UAV) 捕获天花板图像用于巢穴监测,但手动分析是劳动密集的.
- 深度学习 (DL) 为在无人机图像中识别猩猩巢提供了自动化解决方案.
研究的目的:
- 调查DL模型的有效性,以从无人机拍摄的图像中识别猩猩巢.
- 为了比较四种不同的DL模型在分类带有和没有猩猩巢的图像中的性能.
主要方法:
- 从马来西亚婆罗洲的沙巴,创建和增强了一个由1624个无人机图像组成的数据集.
- 四个DL模型 (InceptionV3,MobileNetV2,VGG19,Xception) 在二进制数据集 (巢/没有巢) 上进行训练.
- 模型性能使用准确度,精度,回忆和F1得分进行评估,并采用可视化技术进行解释.
主要成果:
- InceptionV3实现了最高的性能,准确度和精度超过99%.
- 在测试的模型中,VGG19表现最差.
- 梯度加权类激活地图可视化了InceptionV3和VGG19的分类决策过程.
结论:
- DL模型,特别是InceptionV3,显示了使用无人机图像自动识别猩猩巢的巨大潜力.
- 这项技术可以提高保护区中猩猩种群监测的效率和准确性.
- 未来的研究应该集中在自动探测上,以进一步优化基于无人机的监测策略.
