文献类型：期刊文章

作　　者：宫一男[1] 谭孟雨[1] 王震[2] 赵国静[1] 蒋沛林[1] 蒋仕铭[1] 张鼎基[1] 葛剑平[1] 冯利民[1]

GONG Yinan;TAN Mengyu;WANG Zhen;ZHAO Guojing;JIANG Peilin;JIANG Shiming;ZHANG Dingji;GE Jianping;FENG Limin(Northeast Tiger and Leopard Biodiversity National Observation and Research Station, Ministry of Education Key Laboratory for Biodiversity Science an Ecological Engineering, National Forestry and Grassland Administration Key Laboratory for Conservation Ecology of Northeast Tiger and Leopard National Park, National Forestry and Grassland Administration Amur tiger and Amur leopard Monitoring and Research Center, Institute of Ecology, Beijing Normal University, Beijing 100875, China;Tianjin 712 Communication & Broadcasting Co., Ltd, Tianjin 300140, China)

机构地区：[1]东北虎豹生物多样性国家野外科学观测研究站,东北虎豹国家公园保护生态学国家林业和草原局重点实验室,国家林业和草原局东北虎豹监测与研究中心,东北虎豹国家公园研究院,生物多样性与生态工程教育部重点实验室,北京师范大学生态研究所,北京100875 [2]天津通信广播集团有限公司,天津300140

出　　处：《兽类学报》

基　　金：国家自然科学基金资助项目(31270537,31270567,31200410,31210103911,31470566);科技部基础性工作专项基金资助项目(2012FY112000);唐仲英基金会(2016)

年　　份：2019

卷　　号：39

期　　号：4

起止页码：458-465

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、BIOSISPREVIEWS、CAS、CSCD、CSCD_E2019_2020、GEOBASE、IC、JST、PUBMED、RCCSE、SCOPUS、WOS、ZGKJHX、ZR、核心刊

摘　　要：为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别。本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,包括训练集2 074张,测试集519张。对图片进行目标打框、类别标注,选用darknet框架下的YOLO v3模型进行训练。首先不区分昼(RGB)夜(灰度)图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调(fine-tune)进行训练。研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升。fine-tune在小数据集时或可作为辅助。模型对8个物种识别的平均精确率达到84.9%~96.0%,且模型收敛。

关 键 词：深度学习  卷积神经网络 微调  自动识别 野生动物

分 类 号：Q145.1[自然保护与环境生态类]