来源：   发布时间：2022-05-24 14:44:01   浏览：

人工智能的出现引发了动物监测与识别的巨大变革，如何应用智能技术，来开展野生动物资源的观测与评估工作成为研究重点。

红外相机

起初人们对动物监测识别及其生存空间的研究与评估是通过直接观测的传统方法，观测物种的活动轨迹并记录，之后通过实地调查与查阅相关文献等手段获取更多相关数据，但由于较多客观影响因素而导致观测结果较为粗糙。19世纪末，人们用相机陷阱来拍摄野生动物，但需要特定的触发条件。直到20世纪90年代中期，具有红外传感器的相机陷阱开始应用于各个领域。20世纪初期，数码相机与红外相机相结合产生的数码红外相机诞生，性能得到了进一步完善。2010年后，红外相机性能不断提高，价格不断下降，因而得到了进一步普及，被广泛应用于野生动物的种群监测与评估等保护工作中。

3S技术

3S技术主要利用GPS实现实时定位，通过RS与GIS获取环境数据并进行分析与数据更新。随着技术的不断发展，3S技术也可配合各种分析模型对物种数据进行评价与预测。

3S技术是遥感技术RS、地理信息系统GIS和全球定位系统GPS的统称，是空间技术、传感器技术、卫星定位与导航技术和计算机技术、通讯技术相结合，多学科高度集成的对空间信息进行采集、处理、管理、分析、表达、传播和应用的现代信息技术。

RS是指从高空或外层空间接收来自地球表层各类地物的电磁波信息，并通过对这些信息进行扫描、摄影、传输和处理，从而对地表各类地物和现象进行远距离控测和识别的现代综合技术。

GIS就是一个专门管理地理信息的计算机软件系统，它不但能分门别类、分级分层地去管理各种地理信息；而且还能将它们进行各种组合、分析、再组合、再分析等；还能查询、检索、修改、输出、更新等。

GPS是美国从20世纪70年代开始研制，于1994年全面建成，具有海、陆、空全方位实时三维导航与定位能力的新一代卫星导航与定位系统。GPS是由空间星座、地面控制和用户设备等三部分构成的。

近年来，无人机、GPS项圈等新兴技术的辅助也为野生动物的观测提供了更加精细与全面的数据。

深度学习

人工智能的核心领域是机器学习，而深度学习是机器学习研究中的一门新兴技术。近几年，深度学习在动物识别中的应用在全球范围内均取得巨大的进展。在其基础上，研究学者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，不仅节省了大量人力与时间，更提高了精确度，具有明显的优势。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

深度学习在动物图像识别中的应用

CNN作为一种学习效率极高且易于训练的深度学习模型，在动物识别中最为常用。在CNN的基础上，人们通过对卷积层、池化层、全连接层等结构的交替与优化，加强对图像的特征提取并通过调整网络层数加强学习能力，进一步训练提高识别性能。拉毛杰等（2020）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，准确率达到87.9%。马梦园（2018）利用DCNN网络对70种鳞翅目（Lepidoptera）昆虫进行分类，识别率达到99.8%。

深度学习在动物视频识别中的应用

相对于静态图像识别的广泛应用，目前深度学习在视频识别方面的研究较为欠缺。主要原因有图像识别、视频识别分别处于空间和时空领域，二者有着很大程度上的不同。视频中物体通常存在运动模糊、视频散焦等问题而导致外观难以识别，因此需要层次更深、结构更复杂的网络模型进行训练，以发掘连续帧之间观测对象的关联，而这些要求导致的巨大计算量与训练时间成为难以解决的关键问题。Nyiringabo利用SSD网络（Single Shot Multibox Detector）对卢旺达国家公园的10种动物进行检测，精度达到了82.5%。Ravbar等(2019)通过对苍蝇视频进行行为识别，设计了一种基于时空特征的识别系统，可以和CNNs结合应用于其他动物视频识别中，但仍存在输入转换后的不变性的表达问题。

深度学习在动物音频识别中的应用

近年来，利用生物声学的监测方式也开始在野生动物生态学中应用。人们将深度学习神经网络与一系列自动记录装置结合，并不断改进分析方法，收集大量的动物音频数据进行处理，将有效信息提取，从而对目标物种进行识别与检测。其原理是将音频转化为声谱图，将图片识别算法应用于声音的识别。冯郁茜（2019）将CNN与LSTM结合建立双模态分类算法，对鸟鸣声进行特征提取，使鸣声算法得到进一步优化，完成了基于鸣声的物种自动分类与数量统计工作。深度学习在音频识别方面的应用虽然在一定程度上解决了如何高效自动检测目标物种的问题，但准确率仍受物种活跃度及音频质量的影响。

小结

深度学习已经在计算机视觉领域被广泛应用并取得了相当显著的研究成果，但在野生动物识别方面，仍然存在许多难题亟待解决。若针对以下问题进行更深入地探讨与研究，有望进一步推动深度学习在动物识别方面的发展，并加强其在野生动物保护方面的应用。人工智能的应用领域在不断扩大，基于深度学习的识别算法也在不断进步，这个趋势已成为发展的必然。深度学习是一个十分抽象的领域，但它却有着不可小觑的上升潜力。研究表明，将人工智能应用于动物数据分析与评估在国内外均已略显成效，但在动物视频、音频识别方面仍有较大的局限性。相信在互联网大数据时代的推动下，人工智能将更广泛地应用于野生动物资源的监测与识别，并通过对野生动物的动态变化与栖息地的观测，对其生存状态做出更完善地评估，辅助野生动物保护机构更好地进行有针对性的研究与保护工作，为维护自然生态平衡贡献新的力量。