基于双模型融合的大熊猫头部图像分割

在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用。圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性。基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势。已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类。但该方法依然存在检测精度不足导致识别准确率难以提升的问题。本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测。包含3个部分:YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合。结果显示,头部检测准确率为82.6%,大熊猫轮廓分割准确率为95.2%,总体头部轮廓分割准确率为87.1%。该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考。