羽叶铁线莲的分布区与生态位模型分析

吕汝丹; 何健; 刘慧杰; 姚敏; 程瑾; 谢磊

doi:10.13332/j.1000-1522.20180189

羽叶铁线莲的分布区与生态位模型分析

北京林业大学自然保护区学院，北京 100083

基金项目:

国家自然科学基金项目 31670207

北京市自然科学基金项目 5182016

详细信息

作者简介:
吕汝丹。主要研究方向：植物系统学。Email: lvrudan0524@163.com 地址：100083北京市海淀区清华东路35号北京林业大学自然保护区学院

责任作者:
谢磊，副教授。主要研究方向：植物系统学。Email: xielei_si@126.com 地址：同上

中图分类号: S793.9
计量
- 文章访问数: 2319
- HTML全文浏览量: 642
- PDF下载量: 53
出版历程
- 收稿日期: 2018-06-03
- 修回日期: 2018-07-08
- 发布日期: 2019-01-31

Distribution and niche modeling analysis of Clematis pinnata

College of Nature Conservation, Beijing Forestry University, Beijing 100083, China

摘要

摘要:
目的羽叶铁线莲为直立半灌木或藤本植物，是分布于我国北京、天津、河北及辽宁一带的特有种。由于羽叶铁线莲在形态上与其他同域分布的铁线莲属植物易发生混淆，在野外调查过程中往往被人忽视，因而相关研究比较缺乏。
方法本研究在前期分类学修订和大量野外调查的基础上，采用最大熵生态位模型(MaxEnt)与地理信息系统(ArcGIS)方法对该物种的潜在分布区和适宜等级进行了预测。我们通过大量标本研究和考证，确定了羽叶铁线莲22个标本分布点，并明确了黑龙江没有羽叶铁线莲标本记录。
结果在准确统计分布记录基础上，生态位模型分析结果表明羽叶铁线莲最适生地区集中在北京、河北北部、天津北部和辽宁西南部地区，且最适生地区面积非常狭小(36 137.62 km²)。山西省目前虽然没有羽叶铁线莲分布记录，但是存在着较大面积的适生分布区。ROC曲线的AUC=0.995，表明本研究结果预测可信度非常高。影响羽叶铁线莲分布区的影响因子主要有降水季节性(贡献率为39.6%)、平均年温差(14.5%)、海拔(14.4%)、最暖季节降水量(11.3%)、降水最少季节降水量(9.5%)等。羽叶铁线莲的最适区的环境参数为：降水季节性变异126.78，平均年温差42.41 ℃，海拔372.04 m，最暖季节降水量436.67 mm，降水最少季节降水量11.59 mm。
结论羽叶铁线莲属于狭域分布种，主要受到降水季节性、平均年温差、海拔、最暖季节降水量、降水最少季节降水量为最重要的影响因子，根据国际自然及自然资源保护联盟(IUCN)标准, 属于易危等级，应该加以栽培和迁地保护。此外我们认为用于生态位模型分析的分布点记录应经过严格的分类学鉴定以确保分析结果的准确性。
- 羽叶铁线莲 /
- 最大熵模型 /
- 潜在分布区 /
- 适宜性评价
Abstract:
ObjectiveClematis pinnata, a sub-shrub or vine, is restricted to small areas of northern China, including Beijing, Hebei Province, Tianjin of northern China, and Liaoning Province of northeastern China. Due to its ambiguous morphological characters, this species often does not attract attention and there have been very few studies on this species.
MethodIn this study, we predicted the potential distribution area and suitable distribution habitat of this species using MaxEnt model and ArcGIS technique. We carefully verified 22 specimen localities of C. pinnata and recognized that Harbin is not a distribution site of this species.
ResultMaxEnt analysis showed that the most suitable area of C. pinnata was concentrated in Hebei, Beijing, Tianjin, and adjacent area of Liaoning Province. Shanxi Province had a vast suitable area for C. pinnata, although there were no records of this species in Shanxi Province. The AUC of the ROC curve was 0.995, showing a high precision of the prediction analysis. The key environmental factors determining the potential distribution were precipitation seasonality (the contribution rate, 39.6%), temperature annual range (14.5%), altitude (14.4%), precipitation of the warmest quarter (11.3%), precipitation of driest quarter (9.5%). Those environmental variables in the most suitable areas were calculated as precipitation seasonality 126.78, temperature annual range 42.41℃, altitude 372.04 m, precipitation of the warmest quarter 436.67 mm, precipitation of the driest quarter 11.59 mm.
ConclusionClematis pinnata is a narrowly distributed species, mainly influenced by the above mentioned ecological factors. According to IUCN standard, it belongs to the grade VU (vulnerable). The species should be protected using ex-situ conservation method. Furthermore, we propose that distribution records of the organisms using for MaxEnt analysis should be strictly identified to verify the accuracy of the results.
- Clematis pinnata /
- MaxEnt model /
- potential distribution area /
- habitat assessment

HTML全文

我国野生动物种类繁多，分布广泛，其中国家一级保护动物约97种，二级保护动物约320种，野生动物资源已经成为我国重要的战略资源。对野生动物进行监测是野生动物保护管理工作的重要组成，利用红外自动感应相机、无线遥感等技术^[1-3]对野生动物进行图像监测是当前最有效的手段之一。这种方法可以提供野生动物的种群分布、物种多样性等信息，但是存在着人工识别效率低，监测周期长的问题。因此，采用机器学习技术对野生动物图像进行自动检测与识别成为当前的研究热点。

曾陈颖^[4]提出了一种基于BP神经网络的大熊猫(Ailuropoda melanoleuca)识别方法。Okafor^[5]等提出一种基于深层学习与视觉词汇袋的野生动物识别方法，该方法使用灰度、颜色信息和不同的空间汇集方法来完成训练过程。但是利用红外自动感应相机监测野生动物时，由于相机布设在野外，拍摄时易受到动物本身的行为、周围环境和气候的影响，成像条件较差，导致识别的准确率低，因此学者们开始专注于解决由复杂环境背景导致的低识别率的问题。Villa等^[6]在文章中指出：图像包含的复杂背景信息对于识别的效果存在一定的影响，需要依靠准确的分割算法来提高识别准确率。Yu等^[7]将动物体从待训练图像中手动提取出来，这使得其对自建数据库的识别准确率提高到82%。近些年，深度学习理论的成熟与大数据的积累，为深度学习的应用提供了实践基础^[8]。在此基础上，通过应用深度学习理论构建了多种深度学习网络，并在ImageNet数据集上取得了极高的识别准确率。这些深度网络模型包括AlexNet^[9]、VGG Net^[10]、GoogleNet^[11]、Deep Residual Net^[12]和DenseNet^[13]等，与此同时，这些网络模型也被用于大熊猫、长颈鹿(Giraffa camelopardalis)等野生动物^[14]的图像识别。

就目前而言，深度神经网络已在动物图像的识别上广泛应用，Chen等^[15]使用自动图形切割算法分割野生动物区域，再使用深度卷积神经网络对20种野生动物进行识别，得到较好的识别精度。相比其他深度网络，近年兴起的DCNN(深度卷积神经网络)直接由数据本身得到特征和表达关系的自我学习，对图像具有极强的数据特征抽象能力，因此可以适应环境变化下的对象识别。目前，DCNN已在手写字符识别^[16]、行为识别^[17]以及农作物识别^[18-19]等方面获得了较好的效果，但是针对红外相机监测图像的检测与识别的研究仍面临着准确率低的问题。

针对以上问题，本研究提出一种基于目标检测与卷积神经网络(ROI-CNN)的野生动物监测图像的自动识别方法，通过基于回归算法的目标检测方法将野生动物所在区域从红外监测图像中分割出来，建立ROI图像数据库；将原始图像和ROI图像输入双通道卷积神经网络进行基于全局-局部的自动识别，最终实现高准确率的野生动物物种识别。

1. 材料与方法

1.1 野外环境下野生动物监测图像数据库的建立

2010—2016年间，项目组在内蒙古赛罕乌拉国家级自然保护区，利用红外感应触发相机对野生动物进行图像监测，获得了上千张野生动物监测图像，构建了野生动物监测图像数据库。监测图像均为24位RGB真彩色图像，分辨率为2 560 × 1 920。本研究从中选择了5种常见的国家级陆生保护动物^[20]为研究对象，包括马鹿(Cervus elaphus)、斑羚(Naemorhedus goral)、狍(Capreolus capreolus)、猞猁(Lynx lynx)和野猪(Sus scrofa)。表 1为图像数据库中5种动物的图像数量。

表 1 野生动物图像样本数据库

Table 1. Wildlife image sample database

图像数量 Image number	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar
白天 Day time	542	574	498	186	69
黑夜 Night time	322	75	267	50	85
总图像 Total images	864	649	765	236	154

下载: 导出CSV

| 显示表格

红外自动感应相机在野外捕捉到的野生动物图像鲜有如图 1a所示的理想状况，监测图像通常会受到环境、动物行为和相机硬件的影响，存在如图 1b所示的遮挡问题，如图 1c、d所示的曝光以及动物颜色与背景难区分等问题，这些问题都会给图像监测中野生动物的检测与识别带来困难。

图 1 野生动物监测图像的常见情形

Figure 1. Common situations of wildlife monitoring images

下载: 全尺寸图片幻灯片

除此之外，红外自动感应相机也会因其他因素影响导致误触发拍摄大量无效图像，在训练中过大的数据量会导致检测与识别的效率低下。基于以上问题，本研究提出将ROI提取技术加入到野生动物图像的检测与识别中，减少复杂背景对动物识别的影响，同时提高模型训练的效率。

1.2 基于目标检测技术的野生动物区域自动检测分割

针对复杂背景对野生动物图像中动物的检测识别带来的影响，本研究采用一种基于回归算法的目标检测技术对图像中野生动物所在区域进行检测与分割。

回归检测算法网络DarkNet-19由19个卷积层、5个最大值池化层构成，首先将图像尺寸修改为448×448，输入网络进行预测，网络输出为S×S×(B×5+C)的张量，其中S为划分网格数，B为网络预测边框数，C为类别个数。然后将整幅图像划分为S×S个网格(grid cell)，每个网格预测B个检测边界框(bounding boxes)，以及每个框的置信度(confidence)，每个检测边界框包含5个参数(x、y、w、h和confidence)。(x, y)代表检测边界框的中心相对其母网格的位置，(w, h)为检测边界框的宽和高。置信度confidence计算公式如下：

${\rm{confidence}}=\operatorname{Pr}(\text { Object }) \times \mathrm{IOU}$

(1)

$\mathrm{IOU}=\frac{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cap \mathrm{BB}_{\mathrm{gt}}\right)}{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cup \mathrm{BB}_{\mathrm{gt}}\right)}$

(2)

式中：Pr(Object)为边界框包含目标物体的概率；IOU为检测框与标准框的交并比值；BB_gt为基于训练标签的参考标准框；BB_dt为检测边界框；area()表示面积。

本文中使用的S=7，即将输入图像首先分为49个网格，每个网格预测2个检测边界框，在算法中每个框包含x、y、w、h、confindence这5个数值，此处仅做野生动物区域回归，不做物种的具体类别预测，因此C取1，最后的输出是7×7×(2×5+1)的张量。采用误差平方和作为损失函数(loss)：

$\begin{array}{l}{\operatorname{loss}=\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(x_{i}-\hat{x}_{i}\right)^{2}+\left(y_{i}-\hat{y}_{i}\right)^{2}\right]+} \\ {\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(\sqrt{w_{i}}-\sqrt{\hat{w}_{i}}\right)^{2}+\left(\sqrt{h_{i}}-\sqrt{h_{i}}\right)^{2}\right]}\end{array}$

(3)

式中：λ_coord为定位误差的权重；x_i、y_i、w_i、h_i是第i个网格的位置以及宽和高； $\hat{x}_{i}, \hat{y}_{i}, \hat{w}_{i}, \hat{h}_{i}$ 是参考标准框的参数值。I_ij^obj表示第i个网格中第j个负责预测的预测值(predictor)。

在每一张图像中，会存在很多并不包含物体的网格，这些网格的置信度为0，它们的训练梯度远大于包含物体中心的部分网格，很可能会覆盖掉它们的梯度更新，使得模型不稳定，导致网络的发散。针对这个问题，本研究给定位误差更大的权重，使λ_coord=5，同时减小不包含物体中心网格的置信度误差的权重，包含物体中心网格的置信度误差则保持不变。

按照检测得到的野生动物所在区域的坐标(包含左上角坐标[x₁, y₁]和右下角坐标[x₂, y₂])对图像(图 2a)进行切割，输出如图 2b的目标区域图像，建立ROI图像库，为下一步的野生动物的自动识别提供数据基础。为了更精确地提取目标物种的特征，本研究需要目标检测算法的准确率达到90%以上才可进行后续的模型训练。

图 2 野生动物图像目标检测分割

Figure 2. Target detection segmentation for wildlife images

下载: 全尺寸图片幻灯片

1.3 基于VGG16的训练网络

VGGNet是DCNN的典型代表，其3×3小卷积核的设计思想使得网络的参数更少，且在具有1 000个分类的大规模图像数据集ImageNet^[21]的分类和定位上的适用性已得到了充分的验证，因此本研究以此为基础设计针对野生动物监测图像的识别网络。图 3为16个权重层的网络结构。

图 3 VGG16网络架构

注：COV3-64表示卷积核大小为3 × 3，通道数为64的卷积层；COV3-128表示卷积核大小为3 × 3，通道数为128的卷积层；COV3-256表示卷积核大小为3 × 3，通道数为256的卷积层；COV3-512表示卷积核大小为3 × 3，通道数为512的卷积层；MAXPOOL表示采用最大值池化；FC-4096表示通道数为4096的全连接层；FC-1000表示通道数为1000的全连接层；分类层采用softmax函数。

Figure 3. VGG16 network architecture

Notes: COV3-64 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 64 channels. COV3-128 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 128 channels. COV3-256 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 256 channels. COV3-512 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 512 channels. MAXPOOL indicates that the maximum pool is used.FC-4096 denotes a fully connected layer with a channel number of 4096. FC-1000 denotes a fully connected layer with a channel number of 1000;the classification layer uses softmax function.

下载: 全尺寸图片幻灯片

VGGNet的输入为224×224的RGB图像，图像经过网络的处理，输出其属于每个类别的概率。VGGNet架构的核心由卷积层和池化层交替构成。其中前5部分分别由多个卷积核大小为3×3的卷积层构成，第6部分为3个全连接(fully-connected, FC)层。卷积层的主要作用是提取特征^[22]，即包含一组经数据驱动进行自主学习的卷积核，又称特征提取器。针对不同的特征提取密集度，卷积核用固定大小的卷积步幅与输入做卷积运算，经由激活函数变换后构成卷积特征图，代表对输入图像特征的响应。输出的特征图通常表示为：

$a_{n}^{l}=f\left(\sum\limits_{\forall m}\left(a_{m}^{l-1} \times k_{m, n}^{l}\right)+b_{n}^{l}\right)$

(4)

式中：a_n^l为第l层(当前层)的第n个特征图，a_m^l-1为第(l-1)层(上一层)的第m个特征图，k_{m, n}^l表示作用于2个特征图之间的卷积核，f(x)为激活函数，b_n^l代表偏置项。

池化层用于特征映射和降维，本研究中采用最大值池化，对卷积特征图进行下采样后构成池化特征图，通常表示为：

$a_{n}^{l}=f\left(r_{n}^{l} \times \frac{1}{s^{2}} \sum\limits_{s \times s} a_{n}^{l-1}+b_{n}^{l}\right)$

(5)

式中：s是选取的下采样模板，r_n^l为模板的权值。

经过多层级联后，全连接层对最后一个池化层输出的特征图作矢量变换，构成特征向量输送到分类层。

2. 基于全局-局部的双通道VGG16野生动物自动识别

基于上文提到的技术与方法，提出一种基于ROI-CNN的野生动物监测图像自动识别方法，首先采用基于回归算法的目标检测技术对图像中野生动物所在的区域进行检测，实现自动的分割与裁剪，得到以动物为主体的图像集(ROI图像)；提出一种双通道模型，将未经感兴趣区域提取的图像和ROI图像同时导入VGGNet进行训练，基于ImageNet数据库进行微调，最后接入分类器输出最终的识别结果。图 4为算法流程图。

图 4 算法流程图

Figure 4. Algorithm flow chart

下载: 全尺寸图片幻灯片

图 5所示为构建的基于VGG16的双通道网络模型，其中包括网络通道G1与网络通道G2。将未经感兴趣区域提取的图像数据库与经感兴趣区域提取后的ROI图像数据库作为训练样本，分别输入G1与G2，以softmax作为分类器，分别输出预测概率矩阵P_G1与P_G2：

图 5 双通道网络模型

Figure 5. Dual-channel network model

下载: 全尺寸图片幻灯片

$\boldsymbol{P}_{\mathrm{G} 1}=\left[P_{1\_1}, P_{1\_2}, P_{1\_3}, P_{1\_4}, P_{1\_5} \right]$

(6)

$\boldsymbol{P}_{\mathrm{G} 2}=\left[P_{2\_1}, P_{2\_2}, P_{2\_3}, P_{2\_4}, P_{2\_5}\right]$

(7)

式中：P_{i_j}表示网络输出的预测概率，i∈{1，2}，分别对应网络通道G1与G2；j∈{1，2，3，4，5}，分别对应5种被预测的物种。P_G1与P_G2为n=5的行向量，概率矩阵满足各类预测概率之和为1，即满足：

$\sum\limits_{j=1}^{5} P_{i j}=1$

(8)

最后通过分类概率融合将概率矩阵P_G1与P_G2相加取平均值，得到最终的识别概率矩阵Q，并输出矩阵中概率最大值所对应的物种作为识别的结果。

$Q=\frac{\boldsymbol{P}_{\mathrm{G} 1}+\boldsymbol{P}_{\mathrm{C} 2}}{2}$

(9)

3. 实验和结果分析

本研究的硬件平台为E5-2620 CPU，两块GTX 1080ti GPU的工作站，软件为Ubuntu16.04操作系统、Python2.7的编程环境、Tensorflow1.3.0的深度学习框架。

3.1 野生动物目标检测器训练

首先采用1.2节介绍的基于回归的目标检测技术训练野生动物目标检测器。从样本库中随机选择每类野生动物图片的80%作为训练样本，使用labelImg作为图像标定软件，对训练集图像中的野生动物区域进行人工标定。以Darknet-19作为特征提取网络，采用随机梯度下降法(SGD)为优化函数，初始学习率为0.001，冲量(momentum)为0.9，训练批次(batch size)为8。训练过程迭代次数为1 200次，图 6为训练准确率的变化图。训练集准确率在训练迭代1 200次后达到97%以上，将数据库中其余20%的样本作为验证集，最终验证集准确率为96.6%。这说明野生动物目标检测器满足90%的准确率要求，可以用来提取监测图像中野生动物所在区域。

图 6 目标检测算法训练准确率

Figure 6. Training accuracy chart of the target detection algorithm

下载: 全尺寸图片幻灯片

3.2 双通道卷积神经网络模型训练

训练VGG16网络模型时，采用随机梯度下降(stochastic gradient descent, SGD)算法进行优化实验，学习率采用步进阶梯调节策略step。网络模型训练参数如表 2所示。

表 2 网络模型训练参数

Table 2. Training parameters of the network model

参数类型 Parameter type	批量数据 Batch data	优化算法 Optimization algorithm	初始学习率 Initial learning rate	迭代次数 Epochs	损失函数 Loss function
值或方法Value or method	64	随机梯度下降 Stochastic gradient descent	0.001	50	交叉熵函数Cross entropy function

下载: 导出CSV

| 显示表格

为了丰富图像训练集，更好地提取图像特征，提高模型泛化能力，本研究在训练过程中采用仿射变换和裁剪等方式对样本图像进行数据扩充，将原有训练样本数据扩充5倍。将图像数据库中的每类野生动物图像分成训练集、测试集和验证集。其中训练集和测试集分别占每类动物图像总数的70%和30%，随机从图像数据库中产生20%作为验证集。

选定平均识别精度的平均值MAP^[23](mean average precision)来评价识别模型的好坏，MAP的计算公式如式(10)：

$\operatorname{MAP}=\frac{\sum\limits_{q=1}^{5} \operatorname{Ave} P(q)}{5}$

(10)

式中：q为野生动物物种的编号，P(q)为野生动物监测图像中第q类物种的识别精度，AveP(q)为第q类物种的平均识别精度(average precision，AP)，MAP为5种物种的平均识别精度的均值。

3.3 不同CNN网络结构的对比实验

本研究算法中采用的网络结构是VGG16，为了验证不同网络结构对算法识别效果的影响，用VGG19结构代替VGG16进行训练识别，将两种结构下的训练效果进行对比。

图 7所示为两种结构下的模型在训练时损失函数值和准确率随迭代次数的变化，两种模型的训练均在40次迭代之后开始趋于稳定。对5种野生动物的识别效果以及训练的MAP值和验证时最大MAP值的对比如表 3所示。

图 7 损失函数值(a)和准确率(b)随迭代次数的变化

Figure 7. Variations of loss fuction values (a) and accuracy (b)with epoch changing

下载: 全尺寸图片幻灯片

表 3 不同物种的AP值与不同模型的MAP值

Table 3. AP value of different species and MAP value of varied models

算法类别 Algorithm class	AP					MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
算法类别 Algorithm class	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar	MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
VGG19	0.87	0.82	0.82	0.83	0.81	0.83	0.87
本研究算法Algorithm in this research	0.94	0.91	0.91	0.88	0.92	0.91	0.94
注：AP代表平均识别精度，MAP代表平均识别精度的均值。Notes: AP is average identification precision, and MAP is mean AP.

下载: 导出CSV

| 显示表格

表 3中，2~6列为不同物种测试集的平均识别精度AP，第7列为测试集5种物种的平均识别精度的均值MAP，第8列为训练过程中，验证集的最大MAP值。综合分析图 7和表 3可得：1)无论采用哪种结构，验证时的最大MAP值和测试时的MAP值相差较小，说明模型没有产生欠拟合或者过拟合的问题；2)训练时，相比于VGG19结构，VGG16结构下的损失函数值下降更快，稳定后的损失函数值更低，训练效率较高；3)两种结构下的测试准确率差值较小，但是VGG16结构下的测试准确率始终高于VGG19；4)针对研究中这5种野生动物，VGG16结构下的模型识别效果均优于VGG19，且最高的准确率差值达到11%；5)验证时，VGG16结构的最大MAP值为0.94，而VGG19结构的最大MAP值仅为0.87。

VGG19网络相较于VGG16虽然具有更深的网络层数，但网络层数越深，网络反向传播的梯度相关性越差，造成梯度弥散现象，所以并非网络层数越深，识别效果越优。综上所述，本研究采用VGG16结构的模型，使得训练效果更优，训练效率更高，能够得到更高的MAP值，更加适合于红外自动感应相机下野生动物监测图像的物种识别。

3.4 算法性能评估实验

R-CNN、Fast R-CNN^[24]是DCNN初期应用算法中的主流方法，其思想也影响了目前大量的检测模型网络。R-CNN的核心思想是从输入图像中选出上千个候选框，对每个候选框做卷积运算以及特征提取，再使用分类器判别其类别；而Fast R-CNN则是只对输入图像做一次卷积运算得到特征图，找到每个候选框在特征图上的映射，再提取出特征输入分类器进行判别。这两种算法都是在输入图像上划分出大量的候选框进行处理，本研究算法则是对输入图像进行处理，分割出目标所在的区域，再进行之后的模型训练以及识别分类。为了证明本研究提出算法的有效性，在野生动物监测图像集上，分别利用4种算法对5种野生动物进行物种识别，图 8所示为不同算法准确率的对比，其MAP值的对比如表 4所示。

图 8 4种模型下的5种野生动物测试准确率

Figure 8. Test accuracy of five kinds of wildlife under four models

下载: 全尺寸图片幻灯片

表 4 不同算法的MAP

Table 4. MAP of different algorithms

算法类别 Algorithm class	VGG16	R-CNN	Fast R-CNN	本研究算法 Algorithm in this research
最大MAP(验证) Max.MAP(validation)	0.672	0.803	0.895	0.931
MAP(测试) MAP(test)	0.656	0.762	0.856	0.912

下载: 导出CSV

| 显示表格

综合分析图 8、表 4可得：1)训练时，针对5种野生动物，本研究算法的训练效果相比于VGG16、R-CNN与Fast R-CNN均为最佳，测试时MAP的值也最高；2)与单独的VGG16结构相比，本研究算法对5种野生动物的测试准确率均高出20%以上，验证时的最大MAP值高出0.259，证明对图像进行ROI提取能够降低复杂背景信息对图像识别的影响，得到更好的识别效果；3)对于狍的准确率，本研究算法比R-CNN的准确率高出18%，狍的图像质量较差，动物本身与背景经常难以区分，说明本研究算法比R-CNN更好地减少了背景对图像识别的影响；4)与Fast R-CNN的表现相比，由于马鹿图像质量较好，大多比较清晰、辨识度高，受背景影响较小，本研究算法在马鹿的识别上仅高出2%，相比之下，背景更为复杂的猞猁、野猪、斑羚和狍图像的识别上，本研究算法的准确率就比Fast R-CNN提高了8%、5%、6%、7%，也说明了本研究算法在处理背景复杂的图像上优于Fast R-CNN，能够达到更高的识别准确率；5)验证时，本研究算法的最大MAP值最大，VGG16的最小，与识别效果的比较关系相对应，且对于4种算法，验证时的最大MAP值和测试时的MAP值的差值均较小，再次证明训练没有产生过拟合的问题。

综上所述，与VGG16、R-CNN与Fast R-CNN相比，本研究算法在马鹿、猞猁、野猪、斑羚和狍的红外相机监测图像的检测与识别上具有更高的精度，图像初期的检测分割处理减少了无效背景的影响，对于树木遮挡、光线变化有较好的鲁棒性，更加满足野生动物监测图像识别的要求。

4. 结论

针对红外自动感应相机在野外环境下拍摄的野生动物监测图像，提出一种基于ROI-CNN的图像自动识别方法，利用基于回归算法的目标检测与全局-局部的双通道卷积神经网络，有效克服复杂背景信息对野生动物监测图像物种识别的干扰。通过实验分析，采用VGG16作为卷积网络的测试准确率最高，对内蒙古赛罕乌拉国家级自然保护区内5种陆生野生动物的平均识别率均可达到90%左右。为了验证本研究算法的有效性，设计了与VGG16、R-CNN、Fast R-CNN算法的对比试验，与5种野生动物的测试准确率和MAP值进行对比，实验结果表明：针对全部5种野生动物，本研究提出算法的测试准确率最高，达到更高的测试MAP值，识别效果最优。

致谢: 感谢天津自然博物馆、北疆博物院、江苏植物园标本馆对本研究工作提供重要标本信息，感谢廖帅在文献考证工作中给予的帮助。

图 1 羽叶铁线莲的标本分布图

Figure 1. Map of specimen records of Clematis pinnata

下载: 全尺寸图片幻灯片

图 2 羽叶铁线莲标本照片

A. E. Licent 9221 (存于TIE)；B. Y. Yabe s.n. (存于NAS)。A, E. Licent 9221 (deposited in TIE)；B, Y. Yabe s.n. (deposited in NAS).

Figure 2. Specimens of Clematis pinnata

下载: 全尺寸图片幻灯片

图 3 羽叶铁线莲的适宜潜在分布区图

Figure 3. Potential distribution areas of Clematis pinnata

下载: 全尺寸图片幻灯片

图 4 羽叶铁线莲潜在分布预测ROC曲线

Figure 4. ROC result of the prediction of Clematis pinnata

下载: 全尺寸图片幻灯片

图 5 羽叶铁线莲各个环境因子贡献率预测结果Jackknife图

Figure 5. Jackknife result of prediction of environmental factor contributions in Clematis pinnata

下载: 全尺寸图片幻灯片

表 1 羽叶铁线莲的标本分布点

Table 1 Distribution sites of specimen records of Clematis pinnata

标本馆藏 Specimen collection	采集人及采集号 Collector and the collection No.	采集地 Collection place	海拔 Altitude/ m	经度 Longitude	纬度 Latitude
PE	贺士元15037 S. Y. He 15037	北京市门头沟区百花山 Baihuashan, Mentougou District, Beijing	1 022	115°34′38″E	39°50′21″N
PE	刘冰330 B. Liu 330	北京市门头沟区小西山 Xiaoxi Mountain, Mentougou District, Beijing	152	116°11′58″E	39°59′22″N
PE	植物所考察队56-2276 PE-Exped. 56-2276	北京市密云区雾灵山 Wuling Mountain, Miyun District, Beijing	700	117°29′07″E	40°38′48″N
PE	采集人不详0621 Anonymous 0621	北京市怀柔区渤海镇铁矿峪北沟 Beigou Iron Mine Valley, Bohai Town, Huairou District, Beijing	520	116°24′56″E	40°26′55″N
PE	史京华等2002037 J.H.Shi, et al. 2002037	北京市怀柔区神堂峪 Shentangyu, Huairou District, Beijing	250	116°37′20″E	40°27′01″N
BJFC	谢磊20120859 L.Xie 20120859	北京怀柔区喇叭沟门孙栅子 Sunzhazi, Horngou Gate, Huairou District, Beijing	760	116°31′01″E	40°57′01″N
BJFC	谢磊20120720 L.Xie 20120720	北京市怀柔区云蒙山 Yunmeng Mountain, Huairou District, Beijing	600	116°41′06″E	40°35′02″N
BJFC	谢磊20130821 L.Xie 20130821	北京市海淀区大觉寺 Dajue Temple, Haidian District, Beijing	240	116°05′31″E	40°2′54″N
	无标本 No specimens^*	北京市八达岭国家森林公园 Badaling National Forest Park, Beijing	614	116°01′31″E	40°21′04″N
	无标本 No specimens^*	北京市房山区上方山 Shangfangshan, Fangshan District, Beijing	500	115°49′27″E	39°40′34″N
BJFC	吕汝丹LRD0008 R.D.Lyu LRD0008	北京市海淀区鹫峰望京塔 Wangjing Tower, Jiufeng National Forest Park, Haidian District, Beijing	728	116°04′55″E	40°03′43″N
PE	P.Licent 9831	北京市延庆区松山 Songshan, Yanqing District, Beijing	725	115°51′24″E	40°31′22″N
BNU	贺士元s.n. S. Y. He s.n.	北京市平谷区南山村 Nanshan Village, Pinggu District, Beijing	170	117°16′12″E	40°06′50″N
PE	平谷队224 Ping Gu Exped. 224	北京市平谷县刘店镇南吉山 Nanji Mountain, Liudian Town, Pinggu District, Beijing	200	116°59′50″E	40°15′58″N
PE	Anonymous 735	北京市石景山区西山 Xishan, Shijingshan District, Beijing	320	116°11′04″E	39°58′21″N
BNU	贺士元s.n. S. Y. He s.n.	北京市海淀区金山 Jinshan, Haidian District, Beijing	360	116°05′17″E	40°04′09″N
PE	易县队71-140 Yi Xian Exped. 71-140	河北省易县桑岗村 Sanggang Village, Yi County, Hebei Province	420	115°00′32″E	39°11′46″N
S	Limpricht 627	河北省蔚县小五台 Xiaowutai, Yu County, Hebei Province	1 182	114°05′39″E	39°56′44″N
TIE	Licent 9081	河北省涿鹿县杨家坪 Yangjiaping, Zhuolu County, Hebei Province	881	115°23′27″E	39°58′40″N
PE	承德队71-1775 Cheng De Exped. 71-1775	河北省秦皇岛市青龙满族自治区大杖子 Dazhangzi, Qinglong Manchu Autonomous Region, Qinhuangdao City, Hebei Province	286	118°57′22″E	40°23′57″N
BNU	贺士元17407 S. Y. He 17407	天津市蓟县盘山 Panshan, Jixian County, Tianjin City	300	117°20′33″E	40°05′16″N
NAS	Y.Yabe s.n.	辽宁省沈阳市奉天东陵公园Fengtian Dongling Park, Shenyang City, Liaoning Province	91	123°35′07″E	41°50′12″N
注：^表示记录根据本研究组人员确切调查记录，但并无标本。PE.中国科学院植物研究所植物标本馆；BJFC.北京林业大学标本馆；BNU.北京师范大学植物标本馆；S.瑞典自然博物馆；TIE.天津自然博物馆植物标本室；NAS.江苏省中国科学院植物研究所植物标本馆。Notes: ^ means record according to the exact investigation records of the research team, but no specimens. PE, Herbarium, Institute of Botany, CAS; BJFC, Museum of Beijing Forestry University; BNU, Beijing Normal University; S, Swedish Museum of Natural History; TIE, Tianjin Natural History Museum; NAS, Institute of Botany, Jiangsu Province and Chinese Academy of Sciences.

下载: 导出CSV

表 2 羽叶铁线莲在各个省市的潜在分布区适生面积

Table 2 Potential distribution areas of Clematis pinnata in each province

省份(市) Province (City)	最适生区面积 Most suitable area/km²	中适生区面积 Medium suitable area/km²	低适生区面积 Less suitable area/km²	适生区总面积 Total suitable area/km²	适生区占该省面积比例 Percentage of the suitable area to the province area/%
辽宁Liaoning	1 811.69	7 386.11	17 420.07	26 617.87	16.97
河北Hebei	20 912.42	23 526.48	35 257.82	79 696.72	44.15
北京Beijing	11 370.77	3 050.86	1 364.49	15 789.12	97.13
天津Tianjin	2 042.74	2 519.38	5 106.86	9 668.98	81.14
山西Shanxi	0	7 995.86	42 319.56	50 315.42	33.65
内蒙古Inner Mongolia	0	198.45	10 220.07	10 418.52	1.13
吉林Jilin	0	0	1 239.68	1 239.68	0.7
全部Total	36 137.62	44 677.14	112 928.50	193 746.30

下载: 导出CSV

表 3 羽叶铁线莲生态位模型构建中各个环境变量的贡献率

Table 3 Percentage of contributions of environmental factors in MaxEnt modeling for Clematis pinnata

变量Variable	解释Description	贡献率Permutation importance/%
bio15	降水季节性Precipitation seasonality	39.564 5
bio7	平均年温差Temperature annual range	14.530 2
alt	海拔Altitude	14.384 9
bio18	最暖季节降水量Precipitation of the warmest quarter	11.307 5
bio17	降水最少季节降水量Precipitation of the driest quarter	9.495 8
sq1	土壤养分有效性Nutrient availability	4.685 0
sq7	土壤植物生长可行性Soil plant growth workability	2.723 1
bio11	最冷季平均气温Mean temperature of the coldest quarter	1.767 5
bio3	等温性Isothermality	1.452 0
bio2	平均昼夜温差Mean diurnal range	0.089 6

下载: 导出CSV

表 4 羽叶铁线莲适生环境变量在3个不同适生等级的统计分析

Table 4 Statistics of environmental variables in the three different classes of suitable distribution of Clematis pinnata

环境变量 Environmental variable	低适生区Less suitable area		中适生区Medium suitable area		最适生区Most suitable area
环境变量 Environmental variable	范围 Range	平均值±标准差 Mean±SD	范围 Range	平均值±标准差 Mean±SD	范围 Range	平均值±标准差 Mean±SD
bio15	89~149	110.49±11.62	97~148	118.52±11.46	101~145	126.78±8.24
bio7/10 ℃	388~488	429.17±21.99	391~454	423.28±15.62	402~450	424.17±9.93
Alt/m	1~2 292	871.12±632.11	1~1 974	622.01±598.47	2~1 387	372.04±315.56
bio18/mm	227~725	352.70±91.06	289~523	402.32±61.73	307~546	436.67±46.01
bio17/mm	8~42	13.92±5.88	9~20	12.03±2.10	9~14	11.59±1.03
sq1	0~7	1.21±0.55	1~7	1.21±0.64	1~7	1.14±0.51
sq7	0~7	1.09±0.41	1~7	1.03±0.59	1~7	1.15±0.56
bio11/10℃	(-148)~(-12)	(-77.83)±35.03	(-126)~(-18)	(-67.87)±30.17	(-116)~(-22)	(-58.30)±20.62
bio3	24~31	28.05±1.62	26~30	27.76±1.12	26~29	27.59±0.63
bio2/10 ℃	99~138	122.36±9.56	103~133	119.71±6.87	107~132	119.03±4.74

下载: 导出CSV

参考文献(31)

[1]	刘建全. "整合物种概念"和"分化路上的物种"[J].生物多样性, 2016, 24(9):1004-1008. http://www.cnki.com.cn/Article/CJFDTOTAL-SWDY201609004.htm Liu J Q. "The integrative species concept" and "species on the speciation way"[J]. Biodiversity Science, 2016, 24(9):1004-1008. http://www.cnki.com.cn/Article/CJFDTOTAL-SWDY201609004.htm
[2]	Phillips S J, Dudík M. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation[J]. Ecography, 2008, 31(2):161-175. doi: 10.1111/j.0906-7590.2008.5203.x
[3]	Kumar S, Stohlgren T J. Maxent modeling for predicting suitable habitat for threatened and endangered tree Canacomyrica monticola in New Caledonia[J]. Journal of Ecology and the Natural Environment, 2009, 1(4):94-98.
[4]	Diniz-Filho J A F, Terribile L C, Cruz M J R D, et al. Hidden patterns of phylogenetic non-stationarity overwhelm comparative analyses of niche conservatism and divergence[J]. Global Ecology and Biogeography, 2010, 19(6):916-926. doi: 10.1111/geb.2010.19.issue-6
[5]	朱耿平, 刘国卿, 卜文俊, 等.生态位模型的基本原理及其在生物多样性保护中的应用[J].生物多样性, 2013, 21(1):90-98. http://d.old.wanfangdata.com.cn/Periodical/swdyx201301012 Zhu G P, Liu G Q, Bu W J, et al. Ecological niche modeling and its applications in biodiversity conservation[J]. Biodiversity Science, 2013, 21(1):90-98. http://d.old.wanfangdata.com.cn/Periodical/swdyx201301012
[6]	李一琳, 丁长青.基于GIS和MaxEnt技术对濒危物种褐马鸡的保护空缺分析[J].北京林业大学学报, 2016, 38(11):34-41. doi: 10.13332/j.1000-1522.20160134 Li Y L, Ding C Q. Reserve gap analysis of endangered brown eared pheasant (Crossoptilon mantchuricum) through GIS and MaxEnt technology[J]. Journal of Beijing Forestry University, 2016, 38(11):34-41. doi: 10.13332/j.1000-1522.20160134
[7]	张美珍.威灵仙组.中国植物志编委会.中国植物志: 第28卷[M].北京: 科学出版社, 1980: 180. Chang M C. Clematis Sect. Clematis. Flora reipublicae popularis sinicae: 28th volume[M]. Beijing: Science Press, 1980: 180.
[8]	Wang W T, Bartholoew B. Clematis//Wu Z Y, Raven P. Flora of China, vol. 6[M]. Beijing & St. Louis: Science Press & Missouri Botanical Garden Press, 2001, 6: 97-165.
[9]	Xie L, Shi J H, Li L Q. Identity of Clematis tatarinowii and C. pinnata var. ternatifolia (Ranunculaceae)[J]. Annales Botanici Fennici, 2005, 42(4):305-308. https://www.researchgate.net/publication/237531426_Identity_of_Clematis_tatarinowii_and_C_pinnata_var_ternatifolia_Ranunculaceae
[10]	Wang W T, Xie L. A revision of Clematis sect. Tubulosae (Ranunculaceae)[J]. Acta Phytotaxonomica Sinica, 2007, 45(4):425-457. doi: 10.1360/aps06114
[11]	乔慧捷, 胡军华, 黄继红.生态位模型的理论基础、发展方向与挑战[J].中国科学, 2013, 43(11):915-927. http://www.cnki.com.cn/Article/CJFDTotal-JCXK201311002.htm Qiao H J, Hu J H, Huang J H. Theoretical basis, future directions, and challenges for ecological niche models[J]. Scientia Sinica, 2013, 43(11):915-927. http://www.cnki.com.cn/Article/CJFDTotal-JCXK201311002.htm
[12]	Hijmans R J, Cameron S E, Parra J L, et al. Very high resolution interpolated climate surfaces for global land areas[J]. International Journal of Climatology, 2005, 25(15):1965-1978. doi: 10.1002/(ISSN)1097-0088
[13]	Fischer G F, Nachtergaele S, Prieler H T, et al. Global agro-ecological zones assessment for agriculture[DS]. ⅡASA, Laxenburg, Austria and FAO, Rome, Italy, 2008.
[14]	Neftalí S. What does ecological modelling model? A proposed classification of ecological niche models based on their underlying methods[J]. Ecological Modelling, 2011, 222(8):1343-1346. doi: 10.1016/j.ecolmodel.2011.01.018
[15]	Moreno R, Zamora R, Molina J R, et al. Predictive modeling of microhabitats for endemic birds in South Chilean temperate forests using Maximum entropy (Maxent)[J]. Ecological Informatics, 2011, 6(6):364-370. doi: 10.1016/j.ecoinf.2011.07.003
[16]	Hanley J A, Mcneil B J. The meaning and use of the area under a Receiver Operating Characteristic (ROC) curve[J]. Radiology, 1982, 143:29-36. doi: 10.1148/radiology.143.1.7063747
[17]	Licent E, Teilhard D C. Geological observations in northern Manchuria and Barga (Hailar)[J]. Bulletin of the Geological Society of China, 1930, 9(1):23-35. http://www.cnki.com.cn/Article/CJFDTotal-DZXE193001003.htm
[18]	卫奇, 黄为龙.泥河湾盆地的科学开拓者[J].化石, 2009(4):28-33. http://d.old.wanfangdata.com.cn/Periodical/huas200904005 Wei Q, Huang W L. Pioneer scientists of Nihewan Basin[J]. Fossil, 2009(4):28-33. http://d.old.wanfangdata.com.cn/Periodical/huas200904005
[19]	卫奇.泥河湾盆地考证[J].文物春秋, 2016, 2016(2):3-11. doi: 10.3969/j.issn.1003-6555.2016.02.001 Wei Q. Textual research of Nihewan Basin[J]. Historical Relics, 2016(2):3-11. doi: 10.3969/j.issn.1003-6555.2016.02.001
[20]	王磊.桑志华与北疆博物院[J].自然科学博物馆研究, 2016(3):87-92. http://d.old.wanfangdata.com.cn/Periodical/huas201703003 Wang L. Sang Zhihua & The Northern Border Museum[J]. Journal of Natural Science Museum Research, 2016(3):87-92. http://d.old.wanfangdata.com.cn/Periodical/huas201703003
[21]	成胜泉.泥河湾研究大事记[J].河北北方学院学报(社会科学版), 2016, 51(增刊1):31-64. http://www.cnki.com.cn/Article/CJFDTOTAL-ZJKS2016S1006.htm Cheng S Q. Memorabilia of Nihewan research[J]. Journal of Hebei North University (Social Science Edition), 2016, 51(Suppl. 1):31-64. http://www.cnki.com.cn/Article/CJFDTOTAL-ZJKS2016S1006.htm
[22]	陈蜜.从新生代研究室到地质学古生物学研究所:德日进在北京的科学活动[J].科学文化评论, 2017, 14(1):82-94. doi: 10.3969/j.issn.1672-6804.2017.01.008 Chen M. From the cenozoic laboratory to the institute of geobiology, the scientific activities of Teilhard de Chardin in Beijing[J]. Science & Culture Review, 2017, 14(1):82-94. doi: 10.3969/j.issn.1672-6804.2017.01.008
[23]	张海龙.基于GARP生态位模型的珍稀植物桃儿七适生区与生境分析[J].江西农业学报, 2013, 25(7):112-115. http://d.old.wanfangdata.com.cn/Periodical/jxnyxb201307033 Zhang H L. Analysis of suitable growth area and habitat of rare plant Sinopodophullum hexandrum based on GARP niche model[J]. Acta Agriculturae Jiangxi, 2013, 25(7):112-115. http://d.old.wanfangdata.com.cn/Periodical/jxnyxb201307033
[24]	王娟娟, 曹博, 白成科, 等.基于Maxent和ArcGIS预测川贝母潜在分布及适宜性评价[J].植物研究, 2014(5):642-649. http://www.cnki.com.cn/Article/CJFDTotal-MBZW201405010.htm Wang J J, Cao B, Bai C K, et al. Potential distribution prediction and suitability evaluation of Fritillaria cirrhosa D. Don based on MaxEnt modeling and GIS[J]. Bulletin of Botanical Rasearch, 2014(5):642-649. http://www.cnki.com.cn/Article/CJFDTotal-MBZW201405010.htm
[25]	车乐, 曹博, 白成科, 等.基于MaxEnt和ArcGIS对太白米的潜在分布预测及适宜性评价[J].生态学杂志, 2014, 33(6):1623-1628. http://d.old.wanfangdata.com.cn/Periodical/stxzz201406029 Che L, Cao B, Bai C K, et al. Predictive distribution and habitat suitability assessment of Notholirion bulbuliferum based on MaxEnt and ArcGIS[J]. Chinese Journal of Ecology, 2014, 33(6):1623-1628. http://d.old.wanfangdata.com.cn/Periodical/stxzz201406029
[26]	Swets J. Measuring the accuracy of diagnostic systems[J]. Science, 1988, 240:1285-1293. doi: 10.1126/science.3287615
[27]	张颖, 李君, 林蔚, 等.基于最大熵生态位元模型的入侵杂草春飞蓬在中国潜在分布区的预测[J].应用生态学报, 2011, 22(11):2970-2976. http://d.old.wanfangdata.com.cn/Periodical/yystxb201111026 Zhang Y, Li J, Lin W, et al. Prediction of potential distribution area of Erigeron philadelphicus in China based on MaxEnt model[J]. Chinese Journal of Applied Ecology, 2011, 22(11):2970-2976. http://d.old.wanfangdata.com.cn/Periodical/yystxb201111026
[28]	Yang X Q, Kushwaha S P S, Saran S, et al. Maxent modeling for predicting the potential distribution of medicinal plant, Justicia adhatoda L. in Lesser Himalayan foothills[J]. Ecological Engineering, 2013, 51:83-87. doi: 10.1016/j.ecoleng.2012.12.004
[29]	崔相艳, 王文娟, 杨小强, 等.基于生态位模型预测野生油茶的潜在分布[J].生物多样性, 2016, 24(10):1117-1128. doi: 10.17520/biods.2016164 Cui X Y, Wang W J, Yang X Q, et al. Potential distribution of wild Camellia oleifera based on ecological niche modeling[J]. Biodiversity Science, 2016, 24(10):1117-1128. doi: 10.17520/biods.2016164
[30]	张超, 陈磊, 田呈明, 等.基于GARP和MaxEnt的云杉矮槲寄生分布区的预测[J].北京林业大学学报, 2016, 38(5):23-32. doi: 10.13332/j.1000-1522.20150516 Zhang C, Chen L, Tian C M, et al. Predicting the distribution of dwarf mistletoe (Arceuthobium sichuanense) with GARP and MaxEnt models[J]. Journal of Beijing Forestry University, 2016, 38(5):23-32. doi: 10.13332/j.1000-1522.20150516
[31]	张春华, 和菊, 孙永玉, 等.基于MaxEnt模型的紫椿适生区预测[J].北京林业大学学报, 2017, 39(8):33-41. doi: 10.13332/j.1000-1522.20170002 Zhang C H, He J, Sun Y Y, et al. Distributional change in suitable areas for Toona sureni based on MaxEnt model[J]. Journal of Beijing Forestry University, 2017, 39(8):33-41. doi: 10.13332/j.1000-1522.20170002

施引文献(33)

期刊类型引用(13)

1.	柯澳，王宇聪，胡博宇，林琦，李勇，双丰. 基于图像的野生动物检测与识别综述. 计算机系统应用. 2024(01): 22-36 . 百度学术
2.	陈明，王善勤. 基于改进YOLOv5s算法和自适应决策的野猪检测方法. 湖南工业职业技术学院学报. 2024(04): 19-24 . 百度学术
3.	杨帆. 基于人工智能下的野生动物识别研究与应用. 中国高新科技. 2024(16): 72-74 . 百度学术
4.	杨拂晓，费龙，闫泰辰. 基于深度学习的野生动物图像识别研究综述. 北京测绘. 2024(09): 1237-1242 . 百度学术
5.	戴天虹，刘超. 基于改进EfficientDet的雪豹红外相机图像检测方法. 哈尔滨理工大学学报. 2023(02): 108-116 . 百度学术
6.	杨雪珂，蒙金超，冯悦恒，林婷婷，王兆君，刘辉. 基于残差卷积神经网络模型的勺嘴鹬动作识别. 热带生物学报. 2023(05): 481-489 . 百度学术
7.	齐建东，马鐘添，张德怀，田赟. 基于BS-ResNeXt-50的密云地区野生动物图像识别. 林业科学. 2023(08): 112-122 . 百度学术
8.	杨琴，安见才让. 遮挡条件下的动物目标检测方法研究进展. 信息技术与信息化. 2023(12): 189-192 . 百度学术
9.	王翰霖，文帅，白俊，李东睿，罗概，林玉成. 红外相机监测目标物种的一种自动化检测方法：以绿尾虹雉为例. 四川动物. 2022(04): 361-369 . 百度学术
10.	李艳杰，召玉龙. 自然保护区亚洲象活动行为监测方法研究. 绿色科技. 2021(22): 63-64+79 . 百度学术
11.	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法. 计算机工程与应用. 2020(07): 221-227 . 百度学术
12.	谢将剑，杨俊，邢照亮，张卓，陈新. 多特征融合的鸟类物种识别方法. 应用声学. 2020(02): 199-206 . 百度学术
13.	宫一男，谭孟雨，王震，赵国静，蒋沛林，蒋仕铭，张鼎基，葛剑平，冯利民. 基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例. 兽类学报. 2019(04): 458-465 . 百度学术

其他类型引用(20)

资源附件(0)

图(5) / 表(4)

计量

文章访问数: 2319
HTML全文浏览量: 642
PDF下载量: 53
被引次数: 33

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

参考文献(31)

施引文献(33)

资源附件(0)

羽叶铁线莲的分布区与生态位模型分析

作者简介: 吕汝丹。主要研究方向：植物系统学。Email: lvrudan0524@163.com 地址：100083北京市海淀区清华东路35号北京林业大学自然保护区学院

责任作者: 谢磊，副教授。主要研究方向：植物系统学。Email: xielei_si@126.com 地址：同上

计量

出版历程