鄭澤林,黃霖宇

(四川大學(xué)電子信息學(xué)院,四川成都 610065)

珍稀野生動(dòng)物是指生活在自然環(huán)境中、具有獨(dú)特生物學(xué)特征和高度瀕危的動(dòng)物。珍稀野生動(dòng)物往往種群數(shù)量少,自然繁殖能力較弱,疾病暴發(fā)可能對(duì)其生存構(gòu)成嚴(yán)重威脅,也可能對(duì)生態(tài)系統(tǒng)產(chǎn)生廣泛影響,甚至可能傳播給人類(lèi),引發(fā)公共衛(wèi)生問(wèn)題。因此,珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警及防治對(duì)于保護(hù)生物多樣性、維護(hù)生態(tài)系統(tǒng)穩(wěn)定、促進(jìn)人類(lèi)健康和經(jīng)濟(jì)發(fā)展都具有非常重要的意義[1-2]。

珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警技術(shù)是指運(yùn)用一系列科學(xué)手段和工具來(lái)監(jiān)測(cè)野生動(dòng)物的健康狀況,并在發(fā)現(xiàn)疾病跡象時(shí)及時(shí)發(fā)出預(yù)警,以減少疾病對(duì)野生動(dòng)物種群的影響。計(jì)算機(jī)視覺(jué)技術(shù)是人工智能領(lǐng)域的一個(gè)重要分支,它使計(jì)算機(jī)能夠模擬人類(lèi)視覺(jué)系統(tǒng)進(jìn)行圖像采集并理解和解析圖像和視頻數(shù)據(jù)。本文主要對(duì)計(jì)算機(jī)視覺(jué)技術(shù)及其在珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警中的應(yīng)用現(xiàn)狀進(jìn)行綜述,對(duì)存在的問(wèn)題進(jìn)行分析,并對(duì)其未來(lái)發(fā)展趨勢(shì)進(jìn)行展望。

1 計(jì)算機(jī)視覺(jué)技術(shù)概述

1.1 計(jì)算機(jī)視覺(jué)技術(shù)

計(jì)算機(jī)視覺(jué)技術(shù)涉及計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)、圖像處理、光學(xué)和認(rèn)知科學(xué)等多個(gè)學(xué)科,包括圖像識(shí)別、圖像理解、場(chǎng)景重建、圖像分割、目標(biāo)檢測(cè)和跟蹤、圖像恢復(fù)和增強(qiáng)等內(nèi)容。圖像處理是計(jì)算機(jī)視覺(jué)的基礎(chǔ),包括圖像增強(qiáng)、濾波、邊緣檢測(cè)等基本技術(shù)。計(jì)算機(jī)視覺(jué)技術(shù)的關(guān)鍵是特征提取技術(shù),即從圖像中提取有助于識(shí)別和分類(lèi)的關(guān)鍵特征,如顏色、紋理、形狀和結(jié)構(gòu)等。計(jì)算機(jī)視覺(jué)技術(shù)中的尺度不變特征變換(scale invariant feature transform,SIFT)、加速穩(wěn)健特征(speeded up robust features,SURF)、方向梯度直方圖(histogram of oriented gradient, HOG)等算法主要用于目標(biāo)檢測(cè)和跟蹤。SIFT用來(lái)偵測(cè)與描述影像中的局部性特征;SURF是一個(gè)穩(wěn)健的圖像識(shí)別和描述算法;HOG應(yīng)用于計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域,用于目標(biāo)的特征描述。

計(jì)算機(jī)視覺(jué)的模型有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等,其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是計(jì)算機(jī)視覺(jué)中的主流模型,被用于圖像分類(lèi)和目標(biāo)檢測(cè)等。檢測(cè)在計(jì)算機(jī)視覺(jué)中就是檢測(cè)目標(biāo)物的位置,而識(shí)別是對(duì)檢測(cè)到的東西進(jìn)行分類(lèi),比如檢測(cè)到1只猴,需要通過(guò)識(shí)別確認(rèn)是金絲猴還是獼猴。近年來(lái),目標(biāo)檢測(cè)算法取得了很大的突破。比較流行的算法分為兩類(lèi),第一類(lèi)是R-CNN系算法(R-CNN,Fast R-CNN, Faster R-CNN),它們是two-stage的,需要先使用CNN網(wǎng)絡(luò)產(chǎn)生Region Proposal,然后再在Region Proposal上做分類(lèi)與回歸;第二類(lèi)是YOLO(you only look once)、SSD(single shot multibox detector)這類(lèi)one-stage算法,其僅僅使用一個(gè)CNN網(wǎng)絡(luò)直接預(yù)測(cè)不同目標(biāo)的類(lèi)別與位置。第一類(lèi)算法準(zhǔn)確度高一些,但是速度慢;第二類(lèi)算法速度快,但準(zhǔn)確性要低一些。

R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等技術(shù)都可用于在圖像中定位和識(shí)別對(duì)象。R-CNN全稱(chēng)是Region-CNN,是第一個(gè)成功將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)上的算法。R-CNN基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)、線性回歸和支持向量機(jī)(support vector machine,SVM)等算法,實(shí)現(xiàn)目標(biāo)檢測(cè)。Fast R-CNN對(duì)R-CNN的一個(gè)主要改進(jìn)在于只對(duì)整個(gè)圖像做卷積神經(jīng)網(wǎng)絡(luò)的前向計(jì)算;與R-CNN相比,Fast R-CNN用來(lái)提取特征的卷積神經(jīng)網(wǎng)絡(luò)的輸入是整個(gè)圖像,而不是各個(gè)提議區(qū)域。Faster R-CNN算法是對(duì)Fast R-CNN算法的一種改進(jìn);相比Fast R-CNN,Faster R-CNN在檢測(cè)速度和準(zhǔn)確率方面都有進(jìn)一步提升。

近年來(lái),深度學(xué)習(xí)特別是卷積神經(jīng)網(wǎng)絡(luò)(CNN)的發(fā)展,極大地推動(dòng)了計(jì)算機(jī)視覺(jué)技術(shù)的進(jìn)步。通過(guò)大量的數(shù)據(jù)訓(xùn)練,神經(jīng)網(wǎng)絡(luò)能夠識(shí)別和處理復(fù)雜的圖像模式。計(jì)算機(jī)視覺(jué)技術(shù)可以識(shí)別和分類(lèi)圖像中的對(duì)象,計(jì)算機(jī)視覺(jué)技術(shù)中的行為識(shí)別技術(shù)可用于分析珍稀野生動(dòng)物的正常行為及異常行為,可用于珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警。

1.2 畜禽疾病監(jiān)測(cè)與預(yù)警的智能化發(fā)展

隨著信息技術(shù)的進(jìn)步,畜禽疾病監(jiān)測(cè)與預(yù)警的智能化應(yīng)用取得一系列進(jìn)展。如 Okinda C等[3]開(kāi)發(fā)了一套機(jī)器視覺(jué)系統(tǒng),可自動(dòng)提取肉雞的形態(tài)學(xué)特征與行走特征,實(shí)現(xiàn)患病肉雞的健康監(jiān)測(cè)與早期預(yù)警。Huang J D等[4]提出了一種自動(dòng)提取雞叫聲音的方法,將梅爾倒譜系數(shù)作為特征,用支持向量機(jī)進(jìn)行分類(lèi),可以實(shí)時(shí)監(jiān)測(cè)到發(fā)生禽流感的病雞,準(zhǔn)確率在 84%～90%之間。Nasirahmadi A等[5]提出了一種通過(guò)圖像獲取豬只姿態(tài)特征的方法,為豬只疾病的早期識(shí)別提供技術(shù)支撐。鄭國(guó)生等[6]通過(guò) Logistics 回歸分析實(shí)現(xiàn)了奶牛健康狀態(tài)評(píng)價(jià),奶牛異常狀態(tài)識(shí)別準(zhǔn)確率達(dá)到了 91%。

1.3 計(jì)算機(jī)視覺(jué)技術(shù)及系統(tǒng)組成

計(jì)算機(jī)視覺(jué)技術(shù)基本原理為通過(guò)攝像頭獲取數(shù)字圖像或視頻后,運(yùn)用統(tǒng)計(jì)模型、模式識(shí)別或時(shí)頻域分析等技術(shù)實(shí)現(xiàn)對(duì)圖像的特征提取,利用計(jì)算機(jī)實(shí)現(xiàn)對(duì)目標(biāo)圖像自動(dòng)化分析[7]。計(jì)算機(jī)視覺(jué)系統(tǒng)分為圖像采集模塊、圖像處理模塊和視覺(jué)特征分析模塊,其中圖像采集模塊利用單個(gè)或多個(gè)攝像頭采集圖像,通過(guò)光纖交換機(jī)將圖像數(shù)據(jù)匯總后發(fā)送到監(jiān)控主機(jī)端的圖像采集卡,在監(jiān)控主機(jī)端實(shí)現(xiàn)圖像數(shù)據(jù)的存儲(chǔ)、回放和巡檢功能。圖像處理模塊包括圖像預(yù)處理和圖像特征提取兩部分,圖像預(yù)處理是通過(guò)圖像濾波、圖像增強(qiáng)或開(kāi)閉運(yùn)算等方式濾去圖像中無(wú)關(guān)信息來(lái)提高圖像信噪比;圖像特征提取是通過(guò)頻域變換、邊緣檢測(cè)、卷積神經(jīng)網(wǎng)絡(luò)等方式實(shí)現(xiàn)對(duì)圖像中顏色、空間關(guān)系、紋理、形狀等圖像特征的提取,以便于后續(xù)的特征分析。視覺(jué)特征分析模塊主要是利用全連接神經(jīng)網(wǎng)絡(luò)、閾值判斷、支持向量機(jī)、隨機(jī)森林、貝葉斯方法等機(jī)器學(xué)習(xí)或統(tǒng)計(jì)模型方法,針對(duì)不同的研究目的實(shí)現(xiàn)目標(biāo)檢測(cè)與追蹤、圖像分類(lèi)等功能[7](圖1)。

圖1 計(jì)算機(jī)視覺(jué)系統(tǒng)的基本結(jié)構(gòu)

1.4 計(jì)算機(jī)視覺(jué)技術(shù)在珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警中的應(yīng)用

珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警需要一個(gè)能夠進(jìn)行圖像識(shí)別、模式識(shí)別和人工智能算法的高科技系統(tǒng),該系統(tǒng)應(yīng)用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行圖像識(shí)別與處理[8-11]。采集到的圖像和視頻數(shù)據(jù)預(yù)處理是一個(gè)關(guān)鍵步驟,它直接影響到后續(xù)圖像分析和疾病識(shí)別的準(zhǔn)確性和效率。特征提取是從預(yù)處理后的圖像中提取關(guān)鍵特征,如形狀、紋理、顏色等,用于后續(xù)的疾病識(shí)別和分析。數(shù)據(jù)標(biāo)準(zhǔn)化是將圖像數(shù)據(jù)縮放到一個(gè)標(biāo)準(zhǔn)的范圍內(nèi),以便于不同圖像之間的比較和算法處理。數(shù)據(jù)維度降低是通過(guò)特征選擇或降維技術(shù),減少數(shù)據(jù)的維度,以減少計(jì)算復(fù)雜度和過(guò)擬合的風(fēng)險(xiǎn)。標(biāo)注和分類(lèi)是對(duì)圖像中的珍稀野生動(dòng)物進(jìn)行標(biāo)注,包括物種、行為、健康狀態(tài)等信息,為后續(xù)的機(jī)器學(xué)習(xí)模型提供訓(xùn)練數(shù)據(jù)。數(shù)據(jù)增強(qiáng)是通過(guò)旋轉(zhuǎn)、縮放、裁剪等方式生成圖像的變體,以增加訓(xùn)練數(shù)據(jù)的多樣性和模型的泛化能力。

1.4.1 圖像采集和分析 圖像采集首先需要部署攝像頭,即在野生動(dòng)物的棲息地部署高清攝像頭,攝像頭應(yīng)具備夜視功能。其次是將攝像頭采集到的圖像和視頻數(shù)據(jù)通過(guò)無(wú)線或有線方式傳輸?shù)綌?shù)據(jù)處理中心。利用計(jì)算機(jī)視覺(jué)技術(shù)可以對(duì)野生動(dòng)物的圖像進(jìn)行深入分析,以識(shí)別疾病癥狀。通過(guò)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)模型,計(jì)算機(jī)可以學(xué)會(huì)識(shí)別特定的皮膚病變、傷口或其他健康問(wèn)題;可以分析珍稀野生動(dòng)物的行為,以識(shí)別潛在的健康問(wèn)題。例如,通過(guò)分析動(dòng)物的步態(tài)、體態(tài)和活動(dòng)水平,可以判斷其是否存在疼痛、疲憊或其他健康問(wèn)題。

1.4.2 數(shù)據(jù)預(yù)處理 數(shù)據(jù)預(yù)處理包括去噪、對(duì)比度增強(qiáng)、圖像分割等,以提高后續(xù)處理的準(zhǔn)確性。圖像和視頻數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、圖像增強(qiáng)、圖像分割、特征提取、數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)維度降低、標(biāo)注和分類(lèi)、數(shù)據(jù)增強(qiáng)等幾個(gè)主要步驟。數(shù)據(jù)清洗需要移除或減少圖像中的噪聲和異常值,確保數(shù)據(jù)的質(zhì)量,涉及到濾波、去噪、壞幀移除等操作。圖像增強(qiáng)就是通過(guò)調(diào)整亮度、對(duì)比度、飽和度等參數(shù),改善圖像的質(zhì)量,使得特征更加明顯,便于后續(xù)處理。圖像分割是將圖像分割成多個(gè)區(qū)域或?qū)ο?以便于對(duì)不同的區(qū)域或?qū)ο筮M(jìn)行獨(dú)立的分析和處理。

1.4.3 特征提取 計(jì)算機(jī)視覺(jué)技術(shù)的作用是提取圖像中的關(guān)鍵特征,這些特征對(duì)于識(shí)別動(dòng)物的健康狀態(tài)和疾病跡象至關(guān)重要,包括顏色特征、紋理特征、形狀特征、結(jié)構(gòu)特征、運(yùn)動(dòng)特征和深度學(xué)習(xí)特征提取及多模態(tài)特征融合。深度學(xué)習(xí)模型,如卷積神經(jīng)網(wǎng)絡(luò)(CNN),可以自動(dòng)學(xué)習(xí)圖像中的復(fù)雜特征,并在圖像分類(lèi)、目標(biāo)檢測(cè)和分割任務(wù)中表現(xiàn)出色;通過(guò)訓(xùn)練深度學(xué)習(xí)模型,可以提取到更為抽象和有效的特征表示。在實(shí)際應(yīng)用中,需要結(jié)合多種類(lèi)型的特征來(lái)提高疾病識(shí)別的準(zhǔn)確性。例如,結(jié)合顏色和紋理特征,或者將運(yùn)動(dòng)特征與靜態(tài)圖像特征相結(jié)合,即多模態(tài)特征融合。

1.4.4 疾病識(shí)別模型 珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警系統(tǒng)的核心是疾病識(shí)別模型,它負(fù)責(zé)從預(yù)處理后的圖像中識(shí)別出潛在的疾病跡象。構(gòu)建疾病識(shí)別模型涉及數(shù)據(jù)集準(zhǔn)備、特征工程、模型選擇、模型訓(xùn)練、模型評(píng)估、模型優(yōu)化、模型部署等關(guān)鍵步驟。(1)數(shù)據(jù)集準(zhǔn)備:收集大量的珍稀野生動(dòng)物圖像(包括健康的和有疾病跡象的圖像),這些圖像需要經(jīng)過(guò)標(biāo)注,標(biāo)明動(dòng)物的種類(lèi)、行為、健康狀態(tài)等信息。(2)特征工程:根據(jù)疾病的特點(diǎn),選擇和提取圖像中的關(guān)鍵特征,如顏色、紋理、形狀等,也可是通過(guò)深度學(xué)習(xí)模型自動(dòng)學(xué)習(xí)得到的特征。(3)模型選擇:選擇合適的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型。常見(jiàn)的模型包括支持向量機(jī)(support vector machine,SVM)、隨機(jī)森林(random forest,RF)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)等。(4)模型訓(xùn)練:使用標(biāo)注好的訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,訓(xùn)練過(guò)程中需要調(diào)整模型的參數(shù),以最小化預(yù)測(cè)錯(cuò)誤。(5)模型評(píng)估:使用驗(yàn)證集或測(cè)試集對(duì)模型進(jìn)行評(píng)估,確定模型的性能。(6)模型優(yōu)化:根據(jù)評(píng)估結(jié)果,對(duì)模型進(jìn)行調(diào)整和優(yōu)化,以提高識(shí)別的準(zhǔn)確性和效率。(7)模型部署:將訓(xùn)練好的模型部署到實(shí)際應(yīng)用中,進(jìn)行實(shí)時(shí)的疾病識(shí)別和預(yù)警。

1.4.5 實(shí)時(shí)監(jiān)測(cè)與預(yù)警 利用計(jì)算機(jī)視覺(jué)技術(shù)可以實(shí)時(shí)監(jiān)測(cè)野生動(dòng)物的健康狀況,并在檢測(cè)到異常情況時(shí)發(fā)出預(yù)警。實(shí)時(shí)監(jiān)測(cè)與預(yù)警功能是通過(guò)連續(xù)分析圖像數(shù)據(jù)并將其與健康行為模式進(jìn)行比對(duì)來(lái)實(shí)現(xiàn)的。通過(guò)圖像采集、數(shù)據(jù)預(yù)處理、特征提取、疾病識(shí)別模型,系統(tǒng)一旦識(shí)別出與健康行為模式不一致的特征或行為,它將標(biāo)記這些數(shù)據(jù)作為異常。當(dāng)檢測(cè)到異常行為或癥狀時(shí),系統(tǒng)會(huì)立即發(fā)出預(yù)警。預(yù)警可以通過(guò)警報(bào)、通知、日志記錄等方式傳達(dá)給管理員或相關(guān)保護(hù)人員,經(jīng)過(guò)專(zhuān)家確認(rèn)預(yù)警的準(zhǔn)確性后,采取相應(yīng)的行動(dòng)救助動(dòng)物。

2 動(dòng)物疾病監(jiān)測(cè)與預(yù)警研究概況

電子疾病預(yù)警系統(tǒng)(electronic disease warning system,eDEWS)是流行病學(xué)監(jiān)測(cè)的有效方法之一。疾病監(jiān)測(cè)是一個(gè)持續(xù)的數(shù)據(jù)收集、分析、解釋和傳播信息的過(guò)程。Qu J W等[12]提出,世界應(yīng)通過(guò)空天監(jiān)測(cè)建立新型病毒性傳染病預(yù)警系統(tǒng)。Verity H等[13]提出,最大限度地利用數(shù)據(jù)優(yōu)化歐洲范圍內(nèi)的動(dòng)物疫病預(yù)警系統(tǒng)和風(fēng)險(xiǎn)評(píng)估工具。Mayad M等[14]研究了也門(mén)薩那省電子疾病預(yù)警系統(tǒng)(eDEWS)的優(yōu)勢(shì)和不足,并從系統(tǒng)屬性(包括簡(jiǎn)單性、靈活性、數(shù)據(jù)質(zhì)量、可接受性、代表性、及時(shí)性、可接受性)方面評(píng)估其績(jī)效。研究結(jié)果表明,有用性的總體得分為良好(平均值83%),整體系統(tǒng)性能良好(86%),代表性屬性得分最高為100%,穩(wěn)定性屬性得分最低為70%。系統(tǒng)簡(jiǎn)單、可接受性好。雖然系統(tǒng)的代表性和靈活性很好,但穩(wěn)定性一般。系統(tǒng)完整性和及時(shí)性均為100%。結(jié)論是也門(mén)的eDEWS是有用的,并且達(dá)到了其主要目標(biāo)。系統(tǒng)性能的總體水平是好的。Dureab F等[15]評(píng)估了也門(mén)改進(jìn)疾病監(jiān)測(cè)和疫情反應(yīng)的電子疾病預(yù)警系統(tǒng)。他們的研究旨在評(píng)估也門(mén)國(guó)家電子疾病預(yù)警系統(tǒng)(eDEWS)的系統(tǒng)屬性,包括數(shù)據(jù)質(zhì)量、及時(shí)性、穩(wěn)定性、簡(jiǎn)潔性、陽(yáng)性預(yù)測(cè)值、敏感性、可接受性、靈活性和代表性,以美國(guó)疾病預(yù)防控制中心(Center for Disease Control,CDC)標(biāo)準(zhǔn)指標(biāo)為基礎(chǔ)。該評(píng)估結(jié)果表明,eDEWS是一個(gè)有彈性和可靠的系統(tǒng),eDEWS數(shù)據(jù)具有代表性,因?yàn)樗采w了整個(gè)國(guó)家。黎鎮(zhèn)偉等[16]根據(jù)流行性疾病特點(diǎn),采用數(shù)據(jù)挖掘分析、大數(shù)據(jù)分析和云存儲(chǔ)等新興技術(shù)建立了流行性疾病監(jiān)測(cè)預(yù)警系統(tǒng)。馬云鵬[17]提出基于足底壓力檢測(cè)人體疾病的預(yù)警系統(tǒng)設(shè)計(jì)。由仿真結(jié)果可知,系統(tǒng)可實(shí)現(xiàn)相應(yīng)人體疾病的預(yù)警,具有較高精準(zhǔn)度和靈敏性,可實(shí)現(xiàn)疾病預(yù)警,為人體健康監(jiān)測(cè)提供便利。

3 計(jì)算機(jī)視覺(jué)技術(shù)在珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警中的研究與應(yīng)用概況

3.1 基于機(jī)器視覺(jué)的動(dòng)物智能監(jiān)測(cè)系統(tǒng)

3.1.1 基于機(jī)器視覺(jué)的高原鼠兔智能監(jiān)測(cè)系統(tǒng) 陳海燕等[18]設(shè)計(jì)的基于機(jī)器視覺(jué)的高原鼠兔智能監(jiān)測(cè)系統(tǒng)由視頻圖像獲取部分、目標(biāo)檢測(cè)部分、圖像預(yù)處理部分、特征提取部分、識(shí)別與分類(lèi)部分以及決策部分構(gòu)成。攝像機(jī)攝取的圖像中含有高原鼠類(lèi)運(yùn)動(dòng)或靜止目標(biāo),從眾多圖像中將目標(biāo)提取出來(lái)并對(duì)其進(jìn)行預(yù)處理,可以進(jìn)行特征提取;對(duì)目標(biāo)進(jìn)行識(shí)別與分類(lèi),把信息送入決策機(jī)構(gòu)。

3.1.2 基于機(jī)器視覺(jué)的松林天牛遠(yuǎn)程智能監(jiān)測(cè)系統(tǒng) 孫豐剛等[19]構(gòu)建了一款基于機(jī)器視覺(jué)的松林天牛遠(yuǎn)程智能監(jiān)測(cè)系統(tǒng)。該系統(tǒng)由誘捕器模塊、天牛檢測(cè)模塊和系統(tǒng)Web端三部分組成。誘捕器模塊通常放置于松林重點(diǎn)區(qū)域來(lái)誘捕天牛害蟲(chóng),并通過(guò)攝像頭定時(shí)采集天牛圖像;天牛檢測(cè)模型部署于邊緣端,以深度學(xué)習(xí)YOLOv5s模型為基礎(chǔ)搭建輕量化檢測(cè)模型,實(shí)現(xiàn)邊緣端的天牛實(shí)時(shí)檢測(cè)統(tǒng)計(jì);檢測(cè)結(jié)果經(jīng)無(wú)線傳輸在系統(tǒng)Web端進(jìn)行呈現(xiàn),實(shí)現(xiàn)天牛數(shù)據(jù)可追溯。試驗(yàn)結(jié)果表明,智能監(jiān)測(cè)系統(tǒng)對(duì)天牛監(jiān)測(cè)效果良好,模型的準(zhǔn)確率為94.4%,召回率為93.6%,IoU閾值為0.5下的平均精度均值為96.2%,單張推理耗時(shí)為1.40 s,模型大小為9.3 MB;用戶可通過(guò)系統(tǒng)Web端查看天牛數(shù)量變化趨勢(shì)。

3.2 動(dòng)物圖像識(shí)別與處理技術(shù)研究概況

3.2.1 用于野生動(dòng)物圖像識(shí)別的深度聯(lián)合適應(yīng)網(wǎng)絡(luò) 野生動(dòng)物識(shí)別對(duì)于監(jiān)測(cè)和保護(hù)生物多樣性至關(guān)重要。近年來(lái),基于深度學(xué)習(xí)的野生動(dòng)物圖像識(shí)別方法在特定數(shù)據(jù)集上表現(xiàn)出了顯著的性能,正在成為主流研究方向。然而,開(kāi)放環(huán)境下的野生動(dòng)物圖像識(shí)別任務(wù)面臨著弱泛化的挑戰(zhàn)。Zhang C C等[20]提出了一種用于野生動(dòng)物圖像識(shí)別的深度聯(lián)合適應(yīng)網(wǎng)絡(luò)(deep joint adaptation network,DJAN),通過(guò)考慮遷移學(xué)習(xí)范式來(lái)解決上述問(wèn)題。為了緩解已知數(shù)據(jù)集與目標(biāo)任務(wù)數(shù)據(jù)集之間的分布差異,同時(shí)增強(qiáng)模型生成特征的可移植性,他們引入了關(guān)聯(lián)對(duì)齊約束和條件對(duì)抗訓(xùn)練策略,增強(qiáng)了各個(gè)領(lǐng)域自適應(yīng)模塊的能力。此外,變壓器單元用于捕獲局部和全局特征表示之間的遠(yuǎn)程關(guān)系,這有助于更好地理解圖像中的整體結(jié)構(gòu)和關(guān)系。該方法在野生動(dòng)物數(shù)據(jù)集上進(jìn)行了評(píng)估;一系列實(shí)驗(yàn)結(jié)果證明,DJAN模型產(chǎn)生了先進(jìn)的結(jié)果,并且,與基線方法獲得的最佳結(jié)果相比,識(shí)別11種野生動(dòng)物物種的平均準(zhǔn)確率提高了3.6個(gè)百分點(diǎn)。

3.2.2 基于CIFAR10數(shù)據(jù)集的動(dòng)物圖像識(shí)別技術(shù) 張武[21]對(duì)CIFAR10數(shù)據(jù)集采用了兩種卷積神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行圖像識(shí)別,預(yù)測(cè)正確率達(dá)到70.31%和68.77%,可用于分辨、檢測(cè)與保護(hù)野生動(dòng)物。

3.2.3 基于圖像識(shí)別的瀕危動(dòng)物信息采集系統(tǒng) 高旭等[22]提出一套完整的瀕危動(dòng)物信息采集系統(tǒng)方案,該方案以ARM11為控制核心,搭配紅外傳感器和無(wú)線發(fā)射模塊。同時(shí)搭建動(dòng)物圖像信息庫(kù),通過(guò)對(duì)捕捉的圖像進(jìn)行圖像識(shí)別從而判定是否為目標(biāo)動(dòng)物進(jìn)而有選擇地進(jìn)行拍攝與遠(yuǎn)程信息傳遞。以ARM11的高速率和圖像識(shí)別的選擇性特點(diǎn)從而大大增加野外動(dòng)物探測(cè)與追蹤設(shè)備的智能化,也大大提高了續(xù)航能力和數(shù)據(jù)處理能力。

3.2.4 基于BS-ResNeXt-50的野生動(dòng)物圖像識(shí)別 齊建東等[23]以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),對(duì)現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),實(shí)現(xiàn)對(duì)紅外相機(jī)拍攝的野生動(dòng)物圖像進(jìn)行種類(lèi)自動(dòng)識(shí)別。他們構(gòu)建從北京市密云區(qū)的北京市級(jí)霧靈山自然保護(hù)區(qū)2014-2015年期間采集到的8類(lèi)2 172張野生動(dòng)物圖像數(shù)據(jù)集,并使用隨機(jī)增強(qiáng)策略從14個(gè)增強(qiáng)方案中隨機(jī)選擇增強(qiáng)方式,為圖像數(shù)據(jù)添加噪聲。使用SENet及BlurPool構(gòu)建了基于ResNeXt-50的改進(jìn)網(wǎng)絡(luò):增強(qiáng)特征提取的SE-ResNeXt-50、維持平移不變性的BP-ResNeXt-50、結(jié)合二者的BS-ResNeXt-50,并在自建數(shù)據(jù)集上測(cè)試了不同固定學(xué)習(xí)率、分段學(xué)習(xí)率及余弦退火學(xué)習(xí)率對(duì)BS-ResNeXt-50網(wǎng)絡(luò)準(zhǔn)確率的影響。使用VGG16、ResNeXt-50、EfficientNet-B0、InceptionV3、DenseNet-121、BS-ResNeXt-50網(wǎng)絡(luò)在CCT公開(kāi)野生動(dòng)物數(shù)據(jù)集中常見(jiàn)的16個(gè)類(lèi)別圖像上進(jìn)行訓(xùn)練,并對(duì)單一物種的識(shí)別準(zhǔn)確率進(jìn)行比較。他們的研究結(jié)果表明,SE-ResNeXt-50和BP-ResNeXt-50準(zhǔn)確率分別達(dá)到了75.16%±0.14%和73.74%±0.13%。融合SENet以及BlurPool的改進(jìn)方案BS-ResNeXt-50在自建數(shù)據(jù)集上測(cè)試的準(zhǔn)確率達(dá)到78.04%±0.11%,為最優(yōu)改進(jìn)方案。使用余弦退火學(xué)習(xí)率后,BS-ResNeXt-50的準(zhǔn)確率提升至81.54%,比固定學(xué)習(xí)率提升了3.5%;分段學(xué)習(xí)率準(zhǔn)確率達(dá)到79.3%,與余弦退火學(xué)習(xí)率相差2.24%。在CCT數(shù)據(jù)集中BS-ResNeXt-50的識(shí)別準(zhǔn)確率可達(dá)95.07%,比ResNeXt-50準(zhǔn)確率高出1.95%,同時(shí)也高于VGG16的85.5%、EfficientNet-B0的90.23%、InceptionV3的91.38%以及DenseNet-121的93.3%準(zhǔn)確率,并在各單一類(lèi)別的預(yù)測(cè)準(zhǔn)確率也均高于上述模型。單一類(lèi)別的識(shí)別中除數(shù)量最少的類(lèi)別外,BS-ResNeXt-50在其他類(lèi)別識(shí)別準(zhǔn)確率均高于90%,最高類(lèi)別準(zhǔn)確率達(dá)到98.6%。齊建東等[23]改進(jìn)后的BS-ResNeXt-50模型相比ResNeXt-50可以更準(zhǔn)確地完成對(duì)野生動(dòng)物圖像的識(shí)別任務(wù),在不同的野生動(dòng)物圖像數(shù)據(jù)集上也具有較好的泛化能力。

3.2.5 基于YOLOv5的紅外相機(jī)野生動(dòng)物圖像識(shí)別 為在紅外相機(jī)等資源受限平臺(tái)上實(shí)時(shí)、準(zhǔn)確地實(shí)現(xiàn)海量野生動(dòng)物圖像自動(dòng)識(shí)別,改善野生動(dòng)物監(jiān)測(cè)過(guò)程中數(shù)據(jù)傳輸負(fù)載重、時(shí)效性低等問(wèn)題,基于YOLOv5模型,楊銘倫等[24]利用 5類(lèi)物種的紅外相機(jī)圖像構(gòu)建數(shù)據(jù)集,對(duì)YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。他們通過(guò)對(duì)比不同網(wǎng)絡(luò)結(jié)構(gòu)的精度、檢測(cè)速度、體積,明確最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu);同時(shí)分析模型在復(fù)雜背景信息干擾下的識(shí)別效果,評(píng)價(jià)YOLOv5在真實(shí)野外場(chǎng)景的適用性;并通過(guò)與其他同類(lèi)算法的比較,明確YOLOv5用于野生動(dòng)物識(shí)別的優(yōu)勢(shì)。他們的實(shí)驗(yàn)結(jié)果表明,四種網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別精度均較高,F1-score和平均精度(mAP)均在90%以上,其中YOLOv5m的綜合性能最好;YOLOv5在多種復(fù)雜背景信息干擾下識(shí)別效果仍較好,能夠很好地適應(yīng)真實(shí)野外場(chǎng)景;與其他算法相比,YOLOv5同時(shí)具有精度高、魯棒性強(qiáng)、資源占用低等優(yōu)勢(shì)。YOLOv5是一種輕量化的模型且性能優(yōu)越,為在資源受限的平臺(tái)上進(jìn)行野生動(dòng)物實(shí)時(shí)識(shí)別提供了新的契機(jī)。

3.2.6 基于卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)物圖像識(shí)別 拉毛杰等[25]將深度學(xué)習(xí)技術(shù)引入畜牧業(yè)動(dòng)物圖像識(shí)別中,還通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)對(duì)原始圖像進(jìn)行了平移、旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等操作,建立了青藏高原地區(qū)常見(jiàn)的畜牧業(yè)動(dòng)物圖像數(shù)據(jù)集。設(shè)計(jì)了卷積神經(jīng)網(wǎng)絡(luò)模型并實(shí)現(xiàn)了圖像識(shí)別和統(tǒng)計(jì)。他們的實(shí)驗(yàn)表明,該方法對(duì)畜牧業(yè)動(dòng)物圖像的識(shí)別率達(dá)到87.89%,識(shí)別和統(tǒng)計(jì)的準(zhǔn)確率較高。

3.2.7 利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行動(dòng)物圖像識(shí)別與分類(lèi) 在動(dòng)物識(shí)別研究方面,Battu T等[26]提供了一種可靠的學(xué)習(xí)策略,用于從高密度人口和噪音的自然居住區(qū)域捕獲的相機(jī)陷阱照片中對(duì)動(dòng)物進(jìn)行分類(lèi)。為了處理有噪聲的標(biāo)簽,他們提供了兩種不同的網(wǎng)絡(luò)架構(gòu),一種有干凈的樣本,另一種沒(méi)有。使用k-means聚類(lèi)將訓(xùn)練數(shù)據(jù)分成具有不同屬性的組。然后,使用這些分組來(lái)訓(xùn)練其他網(wǎng)絡(luò)。然后,使用最大投票,這些更多樣化的網(wǎng)絡(luò)被用來(lái)共同預(yù)測(cè)或糾正樣本標(biāo)簽。使用兩個(gè)公開(kāi)訪問(wèn)的相機(jī)陷阱圖像數(shù)據(jù)集(快照塞倫蓋蒂和巴拿馬-荷蘭)測(cè)試了所建議方法的有效性。研究結(jié)果表明,該方法更準(zhǔn)確,并且超過(guò)了從具有高水平標(biāo)簽噪聲的相機(jī)陷阱照片中對(duì)動(dòng)物物種進(jìn)行分類(lèi)的最先進(jìn)技術(shù)。

3.2.8 基于VGG卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)物特性識(shí)別 使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別,可以大大降低圖像辨識(shí)的成本,在二分類(lèi)問(wèn)題中尤其如此。VGG 模型是一種相當(dāng)流行的卷積神經(jīng)網(wǎng)絡(luò),其特性在于以小卷積核和“網(wǎng)絡(luò)塊”替代傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的大卷積核與神經(jīng)網(wǎng)絡(luò)層,這意味著其深度有所增加,同時(shí)具有較強(qiáng)的遷移性與改進(jìn)潛力。龔建偉等[27]通過(guò)測(cè)試發(fā)現(xiàn),增加VGG塊數(shù)的同時(shí),搭配圖像增強(qiáng)是可靠的改進(jìn)手段;而增加epoch有利有弊,對(duì)網(wǎng)絡(luò)進(jìn)行dropout的成效不太理想。針對(duì)于此,龔建偉等[23]構(gòu)建了一個(gè)準(zhǔn)確度為83.3%的輕量化VGG模型,該模型相較VGG-16而言要輕量化許多,表明根據(jù)合理的方向構(gòu)建輕量化VGG模型用于動(dòng)物識(shí)別是可行的。

3.2.9 可遠(yuǎn)程自動(dòng)部署更新模型的圖像識(shí)別系統(tǒng) 人工智能特別是機(jī)器視覺(jué)應(yīng)用越來(lái)越多。為了提升海洋捕撈等領(lǐng)域的智能化水平,黃心宇[28]設(shè)計(jì)了一個(gè)基于深度學(xué)習(xí)的魚(yú)類(lèi)圖像識(shí)別系統(tǒng),此系統(tǒng)由云服務(wù)器、深度學(xué)習(xí)建模服務(wù)器和機(jī)器視覺(jué)嵌入式設(shè)備構(gòu)成云邊端架構(gòu)。機(jī)器視覺(jué)嵌入式設(shè)備端將未能識(shí)別到的圖像通過(guò)4G網(wǎng)絡(luò)或WiFi上傳到云服務(wù)器,云服務(wù)器端將標(biāo)注后的圖像數(shù)據(jù)集下發(fā)到深度學(xué)習(xí)建模服務(wù)器進(jìn)行建模訓(xùn)練,然后將新的模型參數(shù)上傳到云服務(wù)器,云服務(wù)器將訓(xùn)練好的模型參數(shù)轉(zhuǎn)化成嵌入式設(shè)備能推理運(yùn)行的量化參數(shù),再下發(fā)到嵌入式設(shè)備,然后發(fā)命令通知嵌入式設(shè)備重啟后使用更新參數(shù),從而完成模型參數(shù)的自更新。

3.3 基于深度學(xué)習(xí)的野生動(dòng)物監(jiān)測(cè)與識(shí)別研究進(jìn)展

機(jī)器學(xué)習(xí)是人工智能的核心領(lǐng)域。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一門(mén)新興技術(shù),它受到人腦多層神經(jīng)網(wǎng)絡(luò)啟發(fā),深度學(xué)習(xí)構(gòu)建的是一個(gè)多層網(wǎng)絡(luò),具有強(qiáng)大的特征提取能力,對(duì)圖像、聲音、文本等高維數(shù)據(jù)的識(shí)別與分析具有顯著的優(yōu)勢(shì)[29]?；谏疃葘W(xué)習(xí)的動(dòng)物識(shí)別系統(tǒng)已經(jīng)取得了巨大進(jìn)展,已經(jīng)實(shí)現(xiàn)了野外條件下動(dòng)物物種識(shí)別、數(shù)量統(tǒng)計(jì)、行為檢測(cè)、棲息地觀測(cè)等智能化、無(wú)人化工作。

3.3.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型 卷積神經(jīng)網(wǎng)絡(luò)(CNN)是適用范圍最廣的深度學(xué)習(xí)網(wǎng)絡(luò)模型, AlexNet、VGGNet、ResNet、GoogLeNet和DenseNet等深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)都是CNN。不同應(yīng)用環(huán)境下不同的功能特性需要選擇不同的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。多種開(kāi)源學(xué)習(xí)框架被提出并應(yīng)用,目的是為了提高深度學(xué)習(xí)的效率。比如,應(yīng)用于圖像識(shí)別、自然語(yǔ)言處理和語(yǔ)音識(shí)別的框架有Google的Tensor-Flow、Facebook的Torch、Microsoft的CNTK、百度的PaddlePaddle等,這些框架都使深度學(xué)習(xí)的操作更簡(jiǎn)便、高效[29]。

3.3.2 深度學(xué)習(xí)在動(dòng)物圖像和視頻識(shí)別中的應(yīng)用 CNN可結(jié)合其他神經(jīng)網(wǎng)絡(luò)架構(gòu)增強(qiáng)特征提取能力,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),提高識(shí)別準(zhǔn)確度。2014年,Chen G B等[30]發(fā)現(xiàn)CNN的學(xué)習(xí)能力優(yōu)于Bag of visual words(BOW)模型。2016年,Okafor E等[31]通過(guò)減少全連接層中神經(jīng)元的數(shù)量改善了CNN架構(gòu),提高了識(shí)別效率。Shi C M等[32]通過(guò)構(gòu)建 DCNN(Deep Convoluted Neural Net-work)框架對(duì)東北虎個(gè)體進(jìn)行識(shí)別,準(zhǔn)確率達(dá)93.5%。拉毛杰等[33]基于Darknet-53框架,通過(guò)數(shù)據(jù)增強(qiáng)實(shí)現(xiàn)了部分畜牧業(yè)動(dòng)物圖像的識(shí)別,準(zhǔn)確率達(dá)87.9%。Guo S T等[34]基于Tri-AI技術(shù),對(duì)靈長(zhǎng)類(lèi)動(dòng)物進(jìn)行識(shí)別,準(zhǔn)確率達(dá)94.1%,該技術(shù)適用于多物種識(shí)別。陳建促[35]通過(guò)構(gòu)建野生動(dòng)物檢測(cè)數(shù)據(jù)集WVDDS (wildlife video detection datasets)并結(jié)合YOLOv3模型解決了野生動(dòng)物視頻中的遮擋問(wèn)題。趙凱旋等[36]利用卷積神經(jīng)網(wǎng)絡(luò)精確識(shí)別奶牛個(gè)體,視頻識(shí)別率為93.3%。Nyiringabo R[37]利用SSD網(wǎng)絡(luò)(single shot multibox detector)對(duì)10種動(dòng)物進(jìn)行檢測(cè),視頻識(shí)別率達(dá)82.5%。Schofield D等[38]基于CNN對(duì)黑猩猩(Pantroglodytes)進(jìn)行監(jiān)測(cè),識(shí)別率達(dá)92.5%。

3.4 基于物聯(lián)網(wǎng)技術(shù)的野生動(dòng)物監(jiān)測(cè)系統(tǒng)研究進(jìn)展

物聯(lián)網(wǎng)技術(shù)可以實(shí)時(shí)監(jiān)測(cè)野生動(dòng)物的活動(dòng)狀況,為疾病監(jiān)測(cè)和預(yù)警提供數(shù)據(jù)支持。例如,通過(guò)在野生動(dòng)物身上安裝傳感器、全球定位系統(tǒng)(global positioning system,GPS)等設(shè)備,實(shí)時(shí)收集動(dòng)物的運(yùn)動(dòng)軌跡、生理參數(shù)等信息,及時(shí)發(fā)現(xiàn)異常情況。賈璐瑞[39]設(shè)計(jì)了基于物聯(lián)網(wǎng)技術(shù)的野生動(dòng)物監(jiān)測(cè)系統(tǒng),幫助野生動(dòng)物救助中心進(jìn)行檢疫監(jiān)測(cè)。利用物聯(lián)網(wǎng)感知層中的傳感器技術(shù)及RFID技術(shù),結(jié)合現(xiàn)代生物識(shí)別技術(shù),可以遠(yuǎn)程監(jiān)測(cè)野生動(dòng)物的生存環(huán)境及活動(dòng)情況;利用網(wǎng)絡(luò)層中的ZigBee技術(shù)將采集的信息傳送到終端,供管理者及時(shí)做出相信調(diào)整。

4 計(jì)算機(jī)視覺(jué)技術(shù)在珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警應(yīng)用中存在的問(wèn)題

深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域被廣泛應(yīng)用,但在野生動(dòng)物識(shí)別方面,仍然存在許多難題亟待解決。機(jī)器自主學(xué)習(xí)所需的巨大的計(jì)算量及深層次的網(wǎng)絡(luò)結(jié)構(gòu)引起欠擬合問(wèn)題仍有待解決。一些深度學(xué)習(xí)模型存在過(guò)多參數(shù)設(shè)計(jì)困難等問(wèn)題。數(shù)據(jù)集獲取難易度不同,大部分來(lái)源主要為網(wǎng)絡(luò)或人工拍攝整理,由于野生動(dòng)物活動(dòng)隱蔽、位置變動(dòng)快、背景環(huán)境復(fù)雜等原因,可獲取的完整數(shù)據(jù)集較少。若受到光照、氣候條件、捕捉角度、個(gè)體姿態(tài)部分或完全遮擋等影響,也將造成數(shù)據(jù)質(zhì)量參差不齊。如果物種數(shù)據(jù)來(lái)源不夠廣泛且不具有代表性,訓(xùn)練和測(cè)試的準(zhǔn)確率可能較低。數(shù)據(jù)量與復(fù)雜度的增加也會(huì)對(duì)識(shí)別過(guò)程造成一定影響,需要根據(jù)需求改善或改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu),因此對(duì)硬件環(huán)境的要求較高。對(duì)于動(dòng)物數(shù)據(jù)集的數(shù)量與質(zhì)量問(wèn)題,一是對(duì)深度學(xué)習(xí)框架的性能進(jìn)行提升,包括對(duì)網(wǎng)絡(luò)架構(gòu)的優(yōu)化、識(shí)別速度的提高、識(shí)別準(zhǔn)確度的強(qiáng)化等;二是通過(guò)數(shù)據(jù)增強(qiáng),例如旋轉(zhuǎn)、翻轉(zhuǎn)、移位、裁剪等增強(qiáng)技術(shù),在無(wú)法獲得更多數(shù)據(jù)的情況下獲得更多的參數(shù),提升學(xué)習(xí)網(wǎng)絡(luò)的性能; 三是加強(qiáng)對(duì)野生動(dòng)物資源調(diào)查與評(píng)估的投入,需要大量的資料收集和錄入工作來(lái)充實(shí)野生動(dòng)物數(shù)據(jù)庫(kù)中的信息資料[29]。

5 珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警策略

利用紅外相機(jī)、無(wú)人機(jī)、地面巡邏和衛(wèi)星追蹤等建立珍稀野生動(dòng)物疾病監(jiān)測(cè)網(wǎng)絡(luò)。增強(qiáng)野生動(dòng)物棲息地的保護(hù),減少人類(lèi)干擾,以降低疾病傳播的風(fēng)險(xiǎn)。利用無(wú)人機(jī)和衛(wèi)星技術(shù)進(jìn)行遠(yuǎn)程監(jiān)測(cè)和追蹤。應(yīng)用物聯(lián)網(wǎng)(internet of things,IoT)設(shè)備和傳感器進(jìn)行實(shí)時(shí)數(shù)據(jù)收集。采用人工智能和機(jī)器學(xué)習(xí)算法分析圖像和數(shù)據(jù),提高疾病識(shí)別的準(zhǔn)確性和效率。通過(guò)監(jiān)測(cè)珍稀野生動(dòng)物的健康狀況,及時(shí)預(yù)警和應(yīng)對(duì)疾病暴發(fā),從而保護(hù)這些珍貴的生物資源和維護(hù)生態(tài)平衡。珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警常用的技術(shù)和方法如下。首先,通過(guò)在野生動(dòng)物棲息地安裝紅外相機(jī),可以非侵入性地監(jiān)測(cè)動(dòng)物的活動(dòng)和行為,從而識(shí)別潛在的健康問(wèn)題。其次,利用無(wú)人機(jī)進(jìn)行監(jiān)測(cè)。無(wú)人機(jī)可以飛越難以到達(dá)的地區(qū),用于觀察野生動(dòng)物種群、收集圖像和視頻數(shù)據(jù),以便進(jìn)行分析。第三,利用生物傳感器和物聯(lián)網(wǎng)(IoT)技術(shù)。穿戴式生物傳感器可以監(jiān)測(cè)野生動(dòng)物的生理參數(shù),如體溫、心率和血壓等,而IoT設(shè)備可以遠(yuǎn)程收集和傳輸這些數(shù)據(jù)。第四,通過(guò)衛(wèi)星追蹤項(xiàng)圈監(jiān)測(cè)動(dòng)物的遷徙路徑和活動(dòng)范圍,有助于了解它們可能接觸到疾病的風(fēng)險(xiǎn)區(qū)域。第五,通過(guò)分析收集的大量數(shù)據(jù),結(jié)合機(jī)器學(xué)習(xí)算法,可以識(shí)別疾病暴發(fā)的模式和趨勢(shì),提高預(yù)警的準(zhǔn)確性。第六,開(kāi)發(fā)智能診斷系統(tǒng),利用圖像識(shí)別技術(shù)和深度學(xué)習(xí)模型,自動(dòng)識(shí)別野生動(dòng)物的健康問(wèn)題。第七,利用虛擬現(xiàn)實(shí)(VR)和增強(qiáng)現(xiàn)實(shí)(AR)技術(shù),用于模擬野生動(dòng)物的行為和生態(tài)環(huán)境,幫助研究人員更好地理解動(dòng)物的行為模式和疾病傳播方式。這些技術(shù)和方法的運(yùn)用需要跨學(xué)科合作,包括生態(tài)學(xué)、獸醫(yī)學(xué)、計(jì)算機(jī)科學(xué)、數(shù)據(jù)科學(xué)和遙感技術(shù)等領(lǐng)域的專(zhuān)家共同參與。此外,這些監(jiān)測(cè)和預(yù)警措施也需要得到政府、非政府組織和社區(qū)的支持和參與,以確保其有效性和可持續(xù)性。

6 結(jié)語(yǔ)

綜上所述,利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)珍稀野生動(dòng)物疾病進(jìn)行監(jiān)測(cè)與預(yù)警,需要通過(guò)圖像采集、數(shù)據(jù)預(yù)處理、特征提取、疾病識(shí)別模型、實(shí)時(shí)監(jiān)測(cè)與預(yù)警等程序完成。其中圖像采集是通過(guò)安裝在野生動(dòng)物棲息地中的高清攝像頭,實(shí)時(shí)或定期采集動(dòng)物的活動(dòng)圖像和視頻數(shù)據(jù)。數(shù)據(jù)預(yù)處理是對(duì)采集到的圖像和視頻數(shù)據(jù)進(jìn)行預(yù)處理,包括去噪、增強(qiáng)、尺寸調(diào)整等,以提高后續(xù)分析的準(zhǔn)確性和效率。特征提取是利用計(jì)算機(jī)視覺(jué)技術(shù)提取圖像中的關(guān)鍵特征,如形狀、顏色、紋理、行為模式等。疾病識(shí)別模型是運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法,如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等,訓(xùn)練模型以識(shí)別圖像中可能表明疾病癥狀的特征。系統(tǒng)實(shí)時(shí)分析圖像數(shù)據(jù),并與健康行為模式進(jìn)行比對(duì),一旦識(shí)別出異常行為或癥狀,立即發(fā)出預(yù)警。系統(tǒng)可對(duì)收集到的數(shù)據(jù)進(jìn)行分析,生成疾病發(fā)生率、趨勢(shì)報(bào)告等,為野生動(dòng)物保護(hù)人員提供決策支持。系統(tǒng)通過(guò)云平臺(tái)實(shí)現(xiàn)數(shù)據(jù)的遠(yuǎn)程管理和分析,使得野生動(dòng)物保護(hù)人員可在任何地點(diǎn)實(shí)時(shí)監(jiān)控和管理系統(tǒng)。

計(jì)算機(jī)視覺(jué)技術(shù)的應(yīng)用有助于提高珍稀野生動(dòng)物疾病監(jiān)測(cè)與預(yù)警的水平,為保護(hù)珍稀野生動(dòng)物資源和生態(tài)平衡提供有力支持。計(jì)算機(jī)視覺(jué)技術(shù)可被用于保護(hù)大熊貓、金絲猴、東北虎等珍稀野生動(dòng)物,通過(guò)監(jiān)測(cè)與預(yù)警系統(tǒng)及時(shí)發(fā)現(xiàn)其疾病或異常行為,迅速采取救治措施。系統(tǒng)收集的數(shù)據(jù)有助于科學(xué)家和保護(hù)者研究野生動(dòng)物的常見(jiàn)疾病和流行病的模式,制定更加有效的保護(hù)策略。通過(guò)自動(dòng)化和智能化的監(jiān)測(cè)手段,減輕野生動(dòng)物保護(hù)工作者的負(fù)擔(dān),提高保護(hù)工作的效率和準(zhǔn)確性。通過(guò)向公眾展示野生動(dòng)物保護(hù)的成果和面臨的挑戰(zhàn),提高公眾保護(hù)野生動(dòng)物的意識(shí)。只有加強(qiáng)珍稀野生動(dòng)物疾病防治,才能切實(shí)保障生物多樣性、生態(tài)安全和人類(lèi)福祉。