夜雨聆风点击蓝字
关注我们
关注并星标
从此不迷路
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12944408/pdf/sensors-26-01366.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
PART/1
痛点
痛点：野外实时监测，到底难在哪？
野外相机监测面临三大核心难题：
- 无效触发多：风、雨、植被晃动占满存储，90% 以上是空图。
- 网络与算力受限：偏远地区无互联网，云端推理做不到秒级响应。
- 夜间图像质量差：红外模糊、局部遮挡、运动拖影，常规 AI 识别极易出错。
尤其针对美洲狮这类高风险人兽冲突场景，必须在动物在场时就完成识别并触发干预，传统批量分析完全跟不上。
PART/2
方案
方案：两阶段 AI cascade，检测 + 分类各司其职
研究团队设计了一套离线边缘视觉传感器，用 “宽检测 + 精分类” 的两阶段 pipeline，在树莓派 5 上就能跑，全程不用网。
1. 第一阶段：YOLO 快速过滤 + 定位
模型：YOLOv8 任务：过滤空图，只保留有动物的画面；输出动物候选框，裁剪 ROI 区域。 原则：不做物种判断，只做 “宽召回” 定位，避免漏掉真实目标。
2. 第二阶段：EfficientNet 精准确认物种
模型：EfficientNetV2-S 训练：课程迁移学习（先冻主干训分类头，再全量微调） 任务：对 ROI 做二分类（是美洲狮 / 不是美洲狮），输出最终决策。
【两阶段检测 - 分类流程示意图】
整套系统硬件极简：FTP 无线相机 + 树莓派 5+USB 音箱，单套成本约130 美元，功耗仅 8W，太阳能就能带。
【系统功耗预算表】
PART/3
效果
效果：精度近满分，端到端仅 4 秒
在1434 个独立测试事件（新墨西哥训练 + 加州测试，跨地域跨相机）上，系统表现碾压单阶段方案：
精确率：0.983 召回率：0.975 F1 分数：0.979 准确率：0.986 误报仅 8 次，漏检仅 12 次
【各方案消融实验对比结果】
速度与部署
端到端延迟：约 4 秒（相机触发→图像传输→AI 推理→执行动作） 野外连续运行：自 2025 年 5 月至今稳定工作 误报率：全场 12436 次触发中，仅 98 次误报，误报率 0.8%
【野外实测美洲狮识别 + 音频驱离现场图】
PART/4
优势
优势：可迁移、可解释、够鲁棒
PART/5
总结
这套两阶段边缘 AI 野生动物监测系统，完美解决野外无网、低算力、高误报、延迟高的痛点：
全离线运行，边缘端秒级出结果 两阶段分工，精度高、误报极低 低成本硬件，易部署、易迁移 适配昼夜红外，应对复杂野外图像
为人兽冲突预警、珍稀物种监测、生态实时保护，提供了可落地的轻量化 AI 方案。
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
🔗
YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型 ViT-YOLO：基于Transformer的用于目标检测的YOLO算法 SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测 LUD-YOLO：一种用于无人机的新型轻量级目标检测网络 Gold-YOLO：基于聚合与分配机制的高效目标检测器 Drone-YOLO：一种有效的无人机图像目标检测 「无人机+AI」“空中城管” 无人机+AI：光伏巡检自动化解决方案 无人机视角下多类别船舶检测及数量统计 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题 2PCNet：昼夜无监督域自适应目标检测（附原代码） YOLO-S：小目标检测的轻量级、精确的类YOLO网络 大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载） 改进的检测算法：用于高分辨率光学遥感图像目标检测
