基于深度学习的野生动物视频目标检测

以红外相机为代表的生态感知终端为野生动物监测研究提供海量的图像和视频数据。为改善人工识别海量数据时效性低、处理能力有限等问题,解决目标检测模型在受到复杂背景、多目标、昼夜明暗等多重因素影响的实际场景中应用的不确定性,以金钱豹、成年雄性岩羊、非成年雄性岩羊为例,建立野生动物目标检测数据集,对比分析Faster R-CNN、SSD、YOLOv5和YOLOv8等4种经典目标检测模型在实际场景中检测精度、检测速度和检测效果。结果表明:1)YOLOv5与YOLOv8的检测效果和检测速度整体优于Faster R-CNN与SSD,YOLOv8在多重因素干扰下检测精度更高、鲁棒性更强,更适合追求检测效果的场景;2)4种模型均能满足生态感知终端实时视频检测需要,但YOLOv5模型更轻量、检测速度更快,更适合算力有限时追求检测速度的场景。YOLOv5和YOLOv8性能优越,适合在实际场景中开展野生动物视频目标检测。

支援青藏铁路建设 保障藏羚羊“母子”平安

为支援青藏线铁路建设，掌握藏羚羊等野生动物生活习性，促进高原野生动物自然保护区生态平衡，确保藏羚羊“母子”平安，根据青藏铁路总指用户需求，铁通格尔木分公司积极与青藏线总指有关部门协商，达成了在青藏线可可西里、五北站两地设立野生动物视频监控点的协议。