人工智能识别与人工识别红外相机动物影像准确率分析:以上海大金山岛猕猴监测为例

红外野生动物相机影像人工智能识别已成为生态学与人工智能交叉学科研究的热点之一。为探究人工智能识别红外相机动物影像的准确率及其影响因子,比较人工智能识别与人工识别的差异。以上海大金山岛猕猴(Macaca mulatta)监测为例,应用YOLO v3模型进行训练与测试,探讨YOLO v3模型识别大量红外相机图像的可行性。同时,对比人工智能图像识别与人工识别的准确率与识别效率,找出特定样本容量条件下识别方式的最优解。对11106张照片的识别结果表明,人工智能识别总准确率为69.0%,均值为68.2%;人工识别总准确率为99.0%,均值为99.1%。人工识别准确率显著高于人工智能识别准确率(t=-9.256,df=22,P<0.01)。简单生境背景的人工智能识别准确率显著高于复杂生境背景(Z=-2.270,P=0.023)。简单生境背景的人工识别准确率与复杂生境背景无显著差异(Z=-0.406,P=0.685)。因此,人工智能识别更适用于生境及背景简单的红外影像,但需谨慎用于识别复杂生境的背景。同时,人工智能识别可用于对大量照片的初筛。人工识别可用于识别复杂生境背景的照片和对人工智能初筛后照片的复核。对于万张级的样本量,人工智能并未显示出明显的时间优势,人工识别反而具有准确率优势。随着各类训练数据集的不断建立与开放应用,对于大型脊椎动物,特别是一些公众熟知的明星物种的人工智能识别可能会率先代替人工识别。

一种摄像头拍摄图像的完整性认证算法

为了保证考生现场采集照片的完整性,维护考试的公平公正,本文提出了一种基于数字水印的摄像头拍摄图像完整性认证算法。该算法利用MD5和RC4算法在采集图像的格式字段与图像内容中嵌入水印信息,实现对视频摄像头拍摄的图像进行完整性保护和认证,能够准确判断图像是否经过了篡改,同时保证水印信息对常见图像处理操作的鲁棒性,从而为防止替考和冒名顶替事件的发生提供了一种有效的手段。