计算机视觉技术在珍稀野生动物疾病监测与预警中的应用现状及展望

郑泽林,黄霖宇

(四川大学电子信息学院,四川成都 610065)

珍稀野生动物是指生活在自然环境中、具有独特生物学特征和高度濒危的动物。珍稀野生动物往往种群数量少,自然繁殖能力较弱,疾病暴发可能对其生存构成严重威胁,也可能对生态系统产生广泛影响,甚至可能传播给人类,引发公共卫生问题。因此,珍稀野生动物疾病监测与预警及防治对于保护生物多样性、维护生态系统稳定、促进人类健康和经济发展都具有非常重要的意义[1-2]。

珍稀野生动物疾病监测与预警技术是指运用一系列科学手段和工具来监测野生动物的健康状况,并在发现疾病迹象时及时发出预警,以减少疾病对野生动物种群的影响。计算机视觉技术是人工智能领域的一个重要分支,它使计算机能够模拟人类视觉系统进行图像采集并理解和解析图像和视频数据。本文主要对计算机视觉技术及其在珍稀野生动物疾病监测与预警中的应用现状进行综述,对存在的问题进行分析,并对其未来发展趋势进行展望。

1 计算机视觉技术概述

1.1 计算机视觉技术

计算机视觉技术涉及计算机科学、机器学习、图像处理、光学和认知科学等多个学科,包括图像识别、图像理解、场景重建、图像分割、目标检测和跟踪、图像恢复和增强等内容。图像处理是计算机视觉的基础,包括图像增强、滤波、边缘检测等基本技术。计算机视觉技术的关键是特征提取技术,即从图像中提取有助于识别和分类的关键特征,如颜色、纹理、形状和结构等。计算机视觉技术中的尺度不变特征变换(scale invariant feature transform,SIFT)、加速稳健特征(speeded up robust features,SURF)、方向梯度直方图(histogram of oriented gradient, HOG)等算法主要用于目标检测和跟踪。SIFT用来侦测与描述影像中的局部性特征;SURF是一个稳健的图像识别和描述算法;HOG应用于计算机视觉和图像处理领域,用于目标的特征描述。

计算机视觉的模型有机器学习和深度学习等,其中卷积神经网络(convolutional neural network,CNN)是计算机视觉中的主流模型,被用于图像分类和目标检测等。检测在计算机视觉中就是检测目标物的位置,而识别是对检测到的东西进行分类,比如检测到1只猴,需要通过识别确认是金丝猴还是猕猴。近年来,目标检测算法取得了很大的突破。比较流行的算法分为两类,第一类是R-CNN系算法(R-CNN,Fast R-CNN, Faster R-CNN),它们是two-stage的,需要先使用CNN网络产生Region Proposal,然后再在Region Proposal上做分类与回归;第二类是YOLO(you only look once)、SSD(single shot multibox detector)这类one-stage算法,其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类算法准确度高一些,但是速度慢;第二类算法速度快,但准确性要低一些。

R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等技术都可用于在图像中定位和识别对象。R-CNN全称是Region-CNN,是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)、线性回归和支持向量机(support vector machine,SVM)等算法,实现目标检测。Fast R-CNN对R-CNN的一个主要改进在于只对整个图像做卷积神经网络的前向计算;与R-CNN相比,Fast R-CNN用来提取特征的卷积神经网络的输入是整个图像,而不是各个提议区域。Faster R-CNN算法是对Fast R-CNN算法的一种改进;相比Fast R-CNN,Faster R-CNN在检测速度和准确率方面都有进一步提升。

近年来,深度学习特别是卷积神经网络(CNN)的发展,极大地推动了计算机视觉技术的进步。通过大量的数据训练,神经网络能够识别和处理复杂的图像模式。计算机视觉技术可以识别和分类图像中的对象,计算机视觉技术中的行为识别技术可用于分析珍稀野生动物的正常行为及异常行为,可用于珍稀野生动物疾病监测与预警。

1.2 畜禽疾病监测与预警的智能化发展

随着信息技术的进步,畜禽疾病监测与预警的智能化应用取得一系列进展。如 Okinda C等[3]开发了一套机器视觉系统,可自动提取肉鸡的形态学特征与行走特征,实现患病肉鸡的健康监测与早期预警。Huang J D等[4]提出了一种自动提取鸡叫声音的方法,将梅尔倒谱系数作为特征,用支持向量机进行分类,可以实时监测到发生禽流感的病鸡,准确率在 84%～90%之间。Nasirahmadi A等[5]提出了一种通过图像获取猪只姿态特征的方法,为猪只疾病的早期识别提供技术支撑。郑国生等[6]通过 Logistics 回归分析实现了奶牛健康状态评价,奶牛异常状态识别准确率达到了 91%。

1.3 计算机视觉技术及系统组成

计算机视觉技术基本原理为通过摄像头获取数字图像或视频后,运用统计模型、模式识别或时频域分析等技术实现对图像的特征提取,利用计算机实现对目标图像自动化分析[7]。计算机视觉系统分为图像采集模块、图像处理模块和视觉特征分析模块,其中图像采集模块利用单个或多个摄像头采集图像,通过光纤交换机将图像数据汇总后发送到监控主机端的图像采集卡,在监控主机端实现图像数据的存储、回放和巡检功能。图像处理模块包括图像预处理和图像特征提取两部分,图像预处理是通过图像滤波、图像增强或开闭运算等方式滤去图像中无关信息来提高图像信噪比;图像特征提取是通过频域变换、边缘检测、卷积神经网络等方式实现对图像中颜色、空间关系、纹理、形状等图像特征的提取,以便于后续的特征分析。视觉特征分析模块主要是利用全连接神经网络、阈值判断、支持向量机、随机森林、贝叶斯方法等机器学习或统计模型方法,针对不同的研究目的实现目标检测与追踪、图像分类等功能[7](图1)。

图1 计算机视觉系统的基本结构

1.4 计算机视觉技术在珍稀野生动物疾病监测与预警中的应用

珍稀野生动物疾病监测与预警需要一个能够进行图像识别、模式识别和人工智能算法的高科技系统,该系统应用计算机视觉技术进行图像识别与处理[8-11]。采集到的图像和视频数据预处理是一个关键步骤,它直接影响到后续图像分析和疾病识别的准确性和效率。特征提取是从预处理后的图像中提取关键特征,如形状、纹理、颜色等,用于后续的疾病识别和分析。数据标准化是将图像数据缩放到一个标准的范围内,以便于不同图像之间的比较和算法处理。数据维度降低是通过特征选择或降维技术,减少数据的维度,以减少计算复杂度和过拟合的风险。标注和分类是对图像中的珍稀野生动物进行标注,包括物种、行为、健康状态等信息,为后续的机器学习模型提供训练数据。数据增强是通过旋转、缩放、裁剪等方式生成图像的变体,以增加训练数据的多样性和模型的泛化能力。

1.4.1 图像采集和分析 图像采集首先需要部署摄像头,即在野生动物的栖息地部署高清摄像头,摄像头应具备夜视功能。其次是将摄像头采集到的图像和视频数据通过无线或有线方式传输到数据处理中心。利用计算机视觉技术可以对野生动物的图像进行深入分析,以识别疾病症状。通过训练卷积神经网络等深度学习模型,计算机可以学会识别特定的皮肤病变、伤口或其他健康问题;可以分析珍稀野生动物的行为,以识别潜在的健康问题。例如,通过分析动物的步态、体态和活动水平,可以判断其是否存在疼痛、疲惫或其他健康问题。

1.4.2 数据预处理 数据预处理包括去噪、对比度增强、图像分割等,以提高后续处理的准确性。图像和视频数据预处理包括数据清洗、图像增强、图像分割、特征提取、数据标准化、数据维度降低、标注和分类、数据增强等几个主要步骤。数据清洗需要移除或减少图像中的噪声和异常值,确保数据的质量,涉及到滤波、去噪、坏帧移除等操作。图像增强就是通过调整亮度、对比度、饱和度等参数,改善图像的质量,使得特征更加明显,便于后续处理。图像分割是将图像分割成多个区域或对象,以便于对不同的区域或对象进行独立的分析和处理。

1.4.3 特征提取 计算机视觉技术的作用是提取图像中的关键特征,这些特征对于识别动物的健康状态和疾病迹象至关重要,包括颜色特征、纹理特征、形状特征、结构特征、运动特征和深度学习特征提取及多模态特征融合。深度学习模型,如卷积神经网络(CNN),可以自动学习图像中的复杂特征,并在图像分类、目标检测和分割任务中表现出色;通过训练深度学习模型,可以提取到更为抽象和有效的特征表示。在实际应用中,需要结合多种类型的特征来提高疾病识别的准确性。例如,结合颜色和纹理特征,或者将运动特征与静态图像特征相结合,即多模态特征融合。

1.4.4 疾病识别模型 珍稀野生动物疾病监测与预警系统的核心是疾病识别模型,它负责从预处理后的图像中识别出潜在的疾病迹象。构建疾病识别模型涉及数据集准备、特征工程、模型选择、模型训练、模型评估、模型优化、模型部署等关键步骤。(1)数据集准备:收集大量的珍稀野生动物图像(包括健康的和有疾病迹象的图像),这些图像需要经过标注,标明动物的种类、行为、健康状态等信息。(2)特征工程:根据疾病的特点,选择和提取图像中的关键特征,如颜色、纹理、形状等,也可是通过深度学习模型自动学习得到的特征。(3)模型选择:选择合适的机器学习或深度学习模型。常见的模型包括支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、卷积神经网络(CNN)、循环神经网络(recurrent neural network,RNN)等。(4)模型训练:使用标注好的训练数据对模型进行训练,训练过程中需要调整模型的参数,以最小化预测错误。(5)模型评估:使用验证集或测试集对模型进行评估,确定模型的性能。(6)模型优化:根据评估结果,对模型进行调整和优化,以提高识别的准确性和效率。(7)模型部署:将训练好的模型部署到实际应用中,进行实时的疾病识别和预警。

1.4.5 实时监测与预警 利用计算机视觉技术可以实时监测野生动物的健康状况,并在检测到异常情况时发出预警。实时监测与预警功能是通过连续分析图像数据并将其与健康行为模式进行比对来实现的。通过图像采集、数据预处理、特征提取、疾病识别模型,系统一旦识别出与健康行为模式不一致的特征或行为,它将标记这些数据作为异常。当检测到异常行为或症状时,系统会立即发出预警。预警可以通过警报、通知、日志记录等方式传达给管理员或相关保护人员,经过专家确认预警的准确性后,采取相应的行动救助动物。

2 动物疾病监测与预警研究概况

电子疾病预警系统(electronic disease warning system,eDEWS)是流行病学监测的有效方法之一。疾病监测是一个持续的数据收集、分析、解释和传播信息的过程。Qu J W等[12]提出,世界应通过空天监测建立新型病毒性传染病预警系统。Verity H等[13]提出,最大限度地利用数据优化欧洲范围内的动物疫病预警系统和风险评估工具。Mayad M等[14]研究了也门萨那省电子疾病预警系统(eDEWS)的优势和不足,并从系统属性(包括简单性、灵活性、数据质量、可接受性、代表性、及时性、可接受性)方面评估其绩效。研究结果表明,有用性的总体得分为良好(平均值83%),整体系统性能良好(86%),代表性属性得分最高为100%,稳定性属性得分最低为70%。系统简单、可接受性好。虽然系统的代表性和灵活性很好,但稳定性一般。系统完整性和及时性均为100%。结论是也门的eDEWS是有用的,并且达到了其主要目标。系统性能的总体水平是好的。Dureab F等[15]评估了也门改进疾病监测和疫情反应的电子疾病预警系统。他们的研究旨在评估也门国家电子疾病预警系统(eDEWS)的系统属性,包括数据质量、及时性、稳定性、简洁性、阳性预测值、敏感性、可接受性、灵活性和代表性,以美国疾病预防控制中心(Center for Disease Control,CDC)标准指标为基础。该评估结果表明,eDEWS是一个有弹性和可靠的系统,eDEWS数据具有代表性,因为它覆盖了整个国家。黎镇伟等[16]根据流行性疾病特点,采用数据挖掘分析、大数据分析和云存储等新兴技术建立了流行性疾病监测预警系统。马云鹏[17]提出基于足底压力检测人体疾病的预警系统设计。由仿真结果可知,系统可实现相应人体疾病的预警,具有较高精准度和灵敏性,可实现疾病预警,为人体健康监测提供便利。

3 计算机视觉技术在珍稀野生动物疾病监测与预警中的研究与应用概况

3.1 基于机器视觉的动物智能监测系统

3.1.1 基于机器视觉的高原鼠兔智能监测系统 陈海燕等[18]设计的基于机器视觉的高原鼠兔智能监测系统由视频图像获取部分、目标检测部分、图像预处理部分、特征提取部分、识别与分类部分以及决策部分构成。摄像机摄取的图像中含有高原鼠类运动或静止目标,从众多图像中将目标提取出来并对其进行预处理,可以进行特征提取;对目标进行识别与分类,把信息送入决策机构。

3.1.2 基于机器视觉的松林天牛远程智能监测系统 孙丰刚等[19]构建了一款基于机器视觉的松林天牛远程智能监测系统。该系统由诱捕器模块、天牛检测模块和系统Web端三部分组成。诱捕器模块通常放置于松林重点区域来诱捕天牛害虫,并通过摄像头定时采集天牛图像;天牛检测模型部署于边缘端,以深度学习YOLOv5s模型为基础搭建轻量化检测模型,实现边缘端的天牛实时检测统计;检测结果经无线传输在系统Web端进行呈现,实现天牛数据可追溯。试验结果表明,智能监测系统对天牛监测效果良好,模型的准确率为94.4%,召回率为93.6%,IoU阈值为0.5下的平均精度均值为96.2%,单张推理耗时为1.40 s,模型大小为9.3 MB;用户可通过系统Web端查看天牛数量变化趋势。

3.2 动物图像识别与处理技术研究概况

3.2.1 用于野生动物图像识别的深度联合适应网络 野生动物识别对于监测和保护生物多样性至关重要。近年来,基于深度学习的野生动物图像识别方法在特定数据集上表现出了显著的性能,正在成为主流研究方向。然而,开放环境下的野生动物图像识别任务面临着弱泛化的挑战。Zhang C C等[20]提出了一种用于野生动物图像识别的深度联合适应网络(deep joint adaptation network,DJAN),通过考虑迁移学习范式来解决上述问题。为了缓解已知数据集与目标任务数据集之间的分布差异,同时增强模型生成特征的可移植性,他们引入了关联对齐约束和条件对抗训练策略,增强了各个领域自适应模块的能力。此外,变压器单元用于捕获局部和全局特征表示之间的远程关系,这有助于更好地理解图像中的整体结构和关系。该方法在野生动物数据集上进行了评估;一系列实验结果证明,DJAN模型产生了先进的结果,并且,与基线方法获得的最佳结果相比,识别11种野生动物物种的平均准确率提高了3.6个百分点。

3.2.2 基于CIFAR10数据集的动物图像识别技术 张武[21]对CIFAR10数据集采用了两种卷积神经网络的模型进行图像识别,预测正确率达到70.31%和68.77%,可用于分辨、检测与保护野生动物。

3.2.3 基于图像识别的濒危动物信息采集系统 高旭等[22]提出一套完整的濒危动物信息采集系统方案,该方案以ARM11为控制核心,搭配红外传感器和无线发射模块。同时搭建动物图像信息库,通过对捕捉的图像进行图像识别从而判定是否为目标动物进而有选择地进行拍摄与远程信息传递。以ARM11的高速率和图像识别的选择性特点从而大大增加野外动物探测与追踪设备的智能化,也大大提高了续航能力和数据处理能力。

3.2.4 基于BS-ResNeXt-50的野生动物图像识别 齐建东等[23]以卷积神经网络为基础,对现有的网络结构进行改进,实现对红外相机拍摄的野生动物图像进行种类自动识别。他们构建从北京市密云区的北京市级雾灵山自然保护区2014-2015年期间采集到的8类2 172张野生动物图像数据集,并使用随机增强策略从14个增强方案中随机选择增强方式,为图像数据添加噪声。使用SENet及BlurPool构建了基于ResNeXt-50的改进网络:增强特征提取的SE-ResNeXt-50、维持平移不变性的BP-ResNeXt-50、结合二者的BS-ResNeXt-50,并在自建数据集上测试了不同固定学习率、分段学习率及余弦退火学习率对BS-ResNeXt-50网络准确率的影响。使用VGG16、ResNeXt-50、EfficientNet-B0、InceptionV3、DenseNet-121、BS-ResNeXt-50网络在CCT公开野生动物数据集中常见的16个类别图像上进行训练,并对单一物种的识别准确率进行比较。他们的研究结果表明,SE-ResNeXt-50和BP-ResNeXt-50准确率分别达到了75.16%±0.14%和73.74%±0.13%。融合SENet以及BlurPool的改进方案BS-ResNeXt-50在自建数据集上测试的准确率达到78.04%±0.11%,为最优改进方案。使用余弦退火学习率后,BS-ResNeXt-50的准确率提升至81.54%,比固定学习率提升了3.5%;分段学习率准确率达到79.3%,与余弦退火学习率相差2.24%。在CCT数据集中BS-ResNeXt-50的识别准确率可达95.07%,比ResNeXt-50准确率高出1.95%,同时也高于VGG16的85.5%、EfficientNet-B0的90.23%、InceptionV3的91.38%以及DenseNet-121的93.3%准确率,并在各单一类别的预测准确率也均高于上述模型。单一类别的识别中除数量最少的类别外,BS-ResNeXt-50在其他类别识别准确率均高于90%,最高类别准确率达到98.6%。齐建东等[23]改进后的BS-ResNeXt-50模型相比ResNeXt-50可以更准确地完成对野生动物图像的识别任务,在不同的野生动物图像数据集上也具有较好的泛化能力。

3.2.5 基于YOLOv5的红外相机野生动物图像识别 为在红外相机等资源受限平台上实时、准确地实现海量野生动物图像自动识别,改善野生动物监测过程中数据传输负载重、时效性低等问题,基于YOLOv5模型,杨铭伦等[24]利用 5类物种的红外相机图像构建数据集,对YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种网络结构进行训练。他们通过对比不同网络结构的精度、检测速度、体积,明确最优网络结构;同时分析模型在复杂背景信息干扰下的识别效果,评价YOLOv5在真实野外场景的适用性;并通过与其他同类算法的比较,明确YOLOv5用于野生动物识别的优势。他们的实验结果表明,四种网络结构的识别精度均较高,F1-score和平均精度(mAP)均在90%以上,其中YOLOv5m的综合性能最好;YOLOv5在多种复杂背景信息干扰下识别效果仍较好,能够很好地适应真实野外场景;与其他算法相比,YOLOv5同时具有精度高、鲁棒性强、资源占用低等优势。YOLOv5是一种轻量化的模型且性能优越,为在资源受限的平台上进行野生动物实时识别提供了新的契机。

3.2.6 基于卷积神经网络的动物图像识别 拉毛杰等[25]将深度学习技术引入畜牧业动物图像识别中,还通过数据增强技术对原始图像进行了平移、旋转、翻转、缩放等操作,建立了青藏高原地区常见的畜牧业动物图像数据集。设计了卷积神经网络模型并实现了图像识别和统计。他们的实验表明,该方法对畜牧业动物图像的识别率达到87.89%,识别和统计的准确率较高。

3.2.7 利用深度神经网络技术进行动物图像识别与分类 在动物识别研究方面,Battu T等[26]提供了一种可靠的学习策略,用于从高密度人口和噪音的自然居住区域捕获的相机陷阱照片中对动物进行分类。为了处理有噪声的标签,他们提供了两种不同的网络架构,一种有干净的样本,另一种没有。使用k-means聚类将训练数据分成具有不同属性的组。然后,使用这些分组来训练其他网络。然后,使用最大投票,这些更多样化的网络被用来共同预测或纠正样本标签。使用两个公开访问的相机陷阱图像数据集(快照塞伦盖蒂和巴拿马-荷兰)测试了所建议方法的有效性。研究结果表明,该方法更准确,并且超过了从具有高水平标签噪声的相机陷阱照片中对动物物种进行分类的最先进技术。

3.2.8 基于VGG卷积神经网络的动物特性识别 使用卷积神经网络进行图像识别,可以大大降低图像辨识的成本,在二分类问题中尤其如此。VGG 模型是一种相当流行的卷积神经网络,其特性在于以小卷积核和“网络块”替代传统神经网络中的大卷积核与神经网络层,这意味着其深度有所增加,同时具有较强的迁移性与改进潜力。龚建伟等[27]通过测试发现,增加VGG块数的同时,搭配图像增强是可靠的改进手段;而增加epoch有利有弊,对网络进行dropout的成效不太理想。针对于此,龚建伟等[23]构建了一个准确度为83.3%的轻量化VGG模型,该模型相较VGG-16而言要轻量化许多,表明根据合理的方向构建轻量化VGG模型用于动物识别是可行的。

3.2.9 可远程自动部署更新模型的图像识别系统 人工智能特别是机器视觉应用越来越多。为了提升海洋捕捞等领域的智能化水平,黄心宇[28]设计了一个基于深度学习的鱼类图像识别系统,此系统由云服务器、深度学习建模服务器和机器视觉嵌入式设备构成云边端架构。机器视觉嵌入式设备端将未能识别到的图像通过4G网络或WiFi上传到云服务器,云服务器端将标注后的图像数据集下发到深度学习建模服务器进行建模训练,然后将新的模型参数上传到云服务器,云服务器将训练好的模型参数转化成嵌入式设备能推理运行的量化参数,再下发到嵌入式设备,然后发命令通知嵌入式设备重启后使用更新参数,从而完成模型参数的自更新。

3.3 基于深度学习的野生动物监测与识别研究进展

机器学习是人工智能的核心领域。深度学习是机器学习中的一门新兴技术,它受到人脑多层神经网络启发,深度学习构建的是一个多层网络,具有强大的特征提取能力,对图像、声音、文本等高维数据的识别与分析具有显著的优势[29]。基于深度学习的动物识别系统已经取得了巨大进展,已经实现了野外条件下动物物种识别、数量统计、行为检测、栖息地观测等智能化、无人化工作。

3.3.1 深度学习网络模型 卷积神经网络(CNN)是适用范围最广的深度学习网络模型, AlexNet、VGGNet、ResNet、GoogLeNet和DenseNet等深度学习网络的基础都是CNN。不同应用环境下不同的功能特性需要选择不同的网络模型进行训练。多种开源学习框架被提出并应用,目的是为了提高深度学习的效率。比如,应用于图像识别、自然语言处理和语音识别的框架有Google的Tensor-Flow、Facebook的Torch、Microsoft的CNTK、百度的PaddlePaddle等,这些框架都使深度学习的操作更简便、高效[29]。

3.3.2 深度学习在动物图像和视频识别中的应用 CNN可结合其他神经网络架构增强特征提取能力,优化网络结构,提高识别准确度。2014年,Chen G B等[30]发现CNN的学习能力优于Bag of visual words(BOW)模型。2016年,Okafor E等[31]通过减少全连接层中神经元的数量改善了CNN架构,提高了识别效率。Shi C M等[32]通过构建 DCNN(Deep Convoluted Neural Net-work)框架对东北虎个体进行识别,准确率达93.5%。拉毛杰等[33]基于Darknet-53框架,通过数据增强实现了部分畜牧业动物图像的识别,准确率达87.9%。Guo S T等[34]基于Tri-AI技术,对灵长类动物进行识别,准确率达94.1%,该技术适用于多物种识别。陈建促[35]通过构建野生动物检测数据集WVDDS (wildlife video detection datasets)并结合YOLOv3模型解决了野生动物视频中的遮挡问题。赵凯旋等[36]利用卷积神经网络精确识别奶牛个体,视频识别率为93.3%。Nyiringabo R[37]利用SSD网络(single shot multibox detector)对10种动物进行检测,视频识别率达82.5%。Schofield D等[38]基于CNN对黑猩猩(Pantroglodytes)进行监测,识别率达92.5%。

3.4 基于物联网技术的野生动物监测系统研究进展

物联网技术可以实时监测野生动物的活动状况,为疾病监测和预警提供数据支持。例如,通过在野生动物身上安装传感器、全球定位系统(global positioning system,GPS)等设备,实时收集动物的运动轨迹、生理参数等信息,及时发现异常情况。贾璐瑞[39]设计了基于物联网技术的野生动物监测系统,帮助野生动物救助中心进行检疫监测。利用物联网感知层中的传感器技术及RFID技术,结合现代生物识别技术,可以远程监测野生动物的生存环境及活动情况;利用网络层中的ZigBee技术将采集的信息传送到终端,供管理者及时做出相信调整。

4 计算机视觉技术在珍稀野生动物疾病监测与预警应用中存在的问题

深度学习在计算机视觉领域被广泛应用,但在野生动物识别方面,仍然存在许多难题亟待解决。机器自主学习所需的巨大的计算量及深层次的网络结构引起欠拟合问题仍有待解决。一些深度学习模型存在过多参数设计困难等问题。数据集获取难易度不同,大部分来源主要为网络或人工拍摄整理,由于野生动物活动隐蔽、位置变动快、背景环境复杂等原因,可获取的完整数据集较少。若受到光照、气候条件、捕捉角度、个体姿态部分或完全遮挡等影响,也将造成数据质量参差不齐。如果物种数据来源不够广泛且不具有代表性,训练和测试的准确率可能较低。数据量与复杂度的增加也会对识别过程造成一定影响,需要根据需求改善或改变网络参数与结构,因此对硬件环境的要求较高。对于动物数据集的数量与质量问题,一是对深度学习框架的性能进行提升,包括对网络架构的优化、识别速度的提高、识别准确度的强化等;二是通过数据增强,例如旋转、翻转、移位、裁剪等增强技术,在无法获得更多数据的情况下获得更多的参数,提升学习网络的性能; 三是加强对野生动物资源调查与评估的投入,需要大量的资料收集和录入工作来充实野生动物数据库中的信息资料[29]。

5 珍稀野生动物疾病监测与预警策略

利用红外相机、无人机、地面巡逻和卫星追踪等建立珍稀野生动物疾病监测网络。增强野生动物栖息地的保护,减少人类干扰,以降低疾病传播的风险。利用无人机和卫星技术进行远程监测和追踪。应用物联网(internet of things,IoT)设备和传感器进行实时数据收集。采用人工智能和机器学习算法分析图像和数据,提高疾病识别的准确性和效率。通过监测珍稀野生动物的健康状况,及时预警和应对疾病暴发,从而保护这些珍贵的生物资源和维护生态平衡。珍稀野生动物疾病监测与预警常用的技术和方法如下。首先,通过在野生动物栖息地安装红外相机,可以非侵入性地监测动物的活动和行为,从而识别潜在的健康问题。其次,利用无人机进行监测。无人机可以飞越难以到达的地区,用于观察野生动物种群、收集图像和视频数据,以便进行分析。第三,利用生物传感器和物联网(IoT)技术。穿戴式生物传感器可以监测野生动物的生理参数,如体温、心率和血压等,而IoT设备可以远程收集和传输这些数据。第四,通过卫星追踪项圈监测动物的迁徙路径和活动范围,有助于了解它们可能接触到疾病的风险区域。第五,通过分析收集的大量数据,结合机器学习算法,可以识别疾病暴发的模式和趋势,提高预警的准确性。第六,开发智能诊断系统,利用图像识别技术和深度学习模型,自动识别野生动物的健康问题。第七,利用虚拟现实(VR)和增强现实(AR)技术,用于模拟野生动物的行为和生态环境,帮助研究人员更好地理解动物的行为模式和疾病传播方式。这些技术和方法的运用需要跨学科合作,包括生态学、兽医学、计算机科学、数据科学和遥感技术等领域的专家共同参与。此外,这些监测和预警措施也需要得到政府、非政府组织和社区的支持和参与,以确保其有效性和可持续性。

6 结语

综上所述,利用计算机视觉技术对珍稀野生动物疾病进行监测与预警,需要通过图像采集、数据预处理、特征提取、疾病识别模型、实时监测与预警等程序完成。其中图像采集是通过安装在野生动物栖息地中的高清摄像头,实时或定期采集动物的活动图像和视频数据。数据预处理是对采集到的图像和视频数据进行预处理,包括去噪、增强、尺寸调整等,以提高后续分析的准确性和效率。特征提取是利用计算机视觉技术提取图像中的关键特征,如形状、颜色、纹理、行为模式等。疾病识别模型是运用机器学习和深度学习算法,如卷积神经网络(CNN)、循环神经网络(RNN)等,训练模型以识别图像中可能表明疾病症状的特征。系统实时分析图像数据,并与健康行为模式进行比对,一旦识别出异常行为或症状,立即发出预警。系统可对收集到的数据进行分析,生成疾病发生率、趋势报告等,为野生动物保护人员提供决策支持。系统通过云平台实现数据的远程管理和分析,使得野生动物保护人员可在任何地点实时监控和管理系统。

计算机视觉技术的应用有助于提高珍稀野生动物疾病监测与预警的水平,为保护珍稀野生动物资源和生态平衡提供有力支持。计算机视觉技术可被用于保护大熊猫、金丝猴、东北虎等珍稀野生动物,通过监测与预警系统及时发现其疾病或异常行为,迅速采取救治措施。系统收集的数据有助于科学家和保护者研究野生动物的常见疾病和流行病的模式,制定更加有效的保护策略。通过自动化和智能化的监测手段,减轻野生动物保护工作者的负担,提高保护工作的效率和准确性。通过向公众展示野生动物保护的成果和面临的挑战,提高公众保护野生动物的意识。只有加强珍稀野生动物疾病防治,才能切实保障生物多样性、生态安全和人类福祉。