人工智能在鳥類保護系統中的應用

張曉偉 王建凱 酈希墨

(湖北遠安沮河國家濕地公園管理處，湖北 宜昌 444200)

鳥類是對環境質量最敏感的指示物種，在維護生態平衡、豐富全球及地區生物多樣性方面具有重要作用。我國雖發布了相關野生動物管理的法律、法規，但對于野生動物特別是鳥類保護管理等方面投入少，基礎設備設施缺乏，保護技術和措施仍不健全。在野生鳥類的遷徙和棲息地的研究方面，傳統的人工觀測和生物腳環傳感器的方法(劉堅,2019)，主要依靠人工和經驗積累開展鳥類的識別和管理，深受野外環境惡劣、人工工作任務繁重等因素的影響，不利于鳥類的保護和監管。隨著人工智能的進步，以及在現在大數據的背景下，深度學習技術迅速發展，計算機視覺領域取得了顯著的成果，有研究者將計算機視覺應用在了鳥類識別中，通過訓練可以準確識別鳥類。采取人工智能實時進行鳥類監控識別，減少人工工作量，提高鳥類保護效率。為加快濕地公園信息化建設，湖北遠安沮河國家濕地公園與成都勝維四通電子科技有限公司合作，開發野生動物保護監測智能識別系統。本研究將闡述野生動物保護監測智能識別系統中的主要人工智能技術以及該系統的應用，為人工智能技術在鳥類保護方面提供了新嘗試和新方向。

1 人工智能理論

人工智能領域的應用和相關理論研究迅速發展，促進了計算機視覺中圖像識別這一領域的發展。目前，研究人員已經使用深度學習實現了高精度的人臉面部識別，并廣泛應用到日常生活中，因此有研究人員將這些技術應用到鳥類識別中。

1.1 深度學習

深度學習是一種機器學習技術，為了模擬數據之間的復雜關系?；诒碚鲗W習，利用機器學習技術自動獲取每個實體或者關系的向量化表達，即模仿人類大腦，建立和模擬神經網絡進行分析學習，然后用某種機制解釋數據。它是通過模仿大腦神經元之間傳遞和處理信息的方式實現的，每個神經元在收到信息后進行處理，然后傳遞給相鄰的數據，如圖1所示。通過模仿人類大腦的神經元結構，構建網絡，并結合海量的數據，解釋數據的內在聯系最后實現分類或回歸等(智緒曄, 2019)。

圖1 神經網絡結構Fig.1 Neural network structure

1.2 卷積神經網絡

卷積神經網絡(Convolutional Neural Networks, CNN)是目前圖像特征提取的主流方式，目前主流的卷積神經網絡，比如VGG、ResNet都是由簡單的CNN調整而來。卷積神經網絡由卷積層、池化層和全連接層(可選)等構成，網絡的卷積層每個節點同上一層的某個區域通過卷積核連接，CNN輸出的結果是每幅圖像的特定特征空間。處理圖像分類任務時，可以將CNN輸出的特征空間作為全連接層的輸入，用全連接層完成從輸入圖像到標簽集的映射(楊春蘭, 2020)，即分類。整個過程中最重要的工作就是如何通過訓練數據迭代調整網絡權重，即后向傳播算法。

2 智能監測識別系統在鳥類保護中的核心技術

智能監測識別技術開發的目標是在基本的鳥類數據基礎上，針對在國家濕地公園、國家自然保護區、國家森林公園等野生動物經常出沒或偷獵、盜獵發生的重點區域，開展實施野生動物保護與檢測工作，保障數據測量的有效性、準確性、可追溯，區域入侵、重點監測動物即時上報，人員入侵軌跡跟蹤。

鳥類檢測和鳥類識別部分是本技術的重要部分，首先通過攝像機對圖像進行采集，精準定位鳥類頭部、身體部位(翅膀、羽毛、顏色等特征)，將檢測到的鳥類圖像傳到前端IP Camera(IPC)，圖像信息存到云端。對于鳥類識別分類部分，對拍攝采集到的鳥類圖片進行預處理后，對目標物體進行邊緣的提取、圖片降噪和歸一化等處理，然后通過訓練好的模型進行特征提取，完成識別。最后將結果實時返回到客戶端，整體流程圖如圖2所示。

2.1 圖像預處理

圖像的預處理包含灰度化、圖像對齊、幾何變換、圖像增強等操作。在RGB模型中，R=G=B時彩色表示灰度顏色，彩色處理時通常需要對這3個通道依次處理，灰度化可以達到提高應用系統處理速度的目的。幾何變換通過平移、旋轉、縮放等對圖像進行處理，用來修正圖像采集系統的誤差和儀器位置的誤差，通常采用最近鄰插值、雙線性插值的方法。圖像增強可以有針對性地突出感興趣區域，輔助目標任務。

系統如果檢測到鳥類的局部特征更有助于鳥類識別，因此有些研究除了上述的基本預處理之外，還進行了局部特征的標記。公開的鳥類數據集Caltech-USCD Birds包含200種鳥類，一共11 788張圖片，每張圖片都有相應的標簽文件，同時還具有局部特征的類別和屬性標簽，包含鳥類的眼睛、喙、翅膀、雙爪、尾巴等局部特征。數據集中提供的局部特征在一定程度上推動了鳥類檢測和識別的研究。

2.2 鳥類目標檢測

鳥類行為的分析、識別是一項復雜的工作，在識別之前需要確定是否存在鳥類。通常目標檢測需要使用算法來判斷圖片中是否有目標，以及在圖片中檢測出目標的具體位置并標記出來。輸入一張圖片，通過指定的算法從圖片中提取多個類別的目標區域，對候選區域使用卷積神經網絡獲取特征向量(閆賀等, 2021)，然后進行分類，簡單的流程圖如圖3所示。

圖2 鳥類識別系統流程圖Fig.2 Flowchart of bird identification system

圖3 鳥類檢測流程圖Fig.3 Flowchart of bird detection

針對傳統運動目標檢測方法存在的幀間配準難度大、快速運動目標陰影特征不明顯等問題，有研究者提出了一種基于改進快速區域卷積神經網絡(Faster R-CNN)的運動目標檢測方法(齊延榮等,2021)。該方法結合Faster R-CNN深度學習算法，利用K-means聚類方法對anchor box的長寬及長寬比進行預處理，并采用特征金字塔網絡(Feature Pyramid Networks, FPN)架構對視頻SAR運動目標的“亮線”特征進行檢測。與傳統方法相比，該方法具有實現簡單、檢測概率高、虛警概率低等優勢。

本文中的智能監測識別系統，利用了經典的目標檢測算法并有針對性地進行了改進(Juha Niemi,2018)，實現了對鳥類的實時檢測和跟蹤。

2.3 鳥類識別

圖像識別技術作為當前計算機領域發展的熱門技術之一，在醫療、交通運輸、生物識別等領域廣泛應用，進一步說明了圖像識別技術逐漸成熟，圖像識別技術主要包括如下4個階段：圖像采集、預處理、特征提取和圖像識別(易中輝等, 2020)。

使用各種流行框架訓練一個卷積神經網絡進行鳥類識別，例如PyTorch、Caffe等。輸入圖像經過設計的網絡進行卷積、池化等運算，提取特征，得到特征映射。研究者提出了很多經典的特征提取網絡，例如VGGNet，每層卷積層使用3×3卷積核，利用多個卷積核進行組合，更好地提取特征信息。翁雨辰(2018)通過VGG16和殘差網絡Resnet，實現網絡的特征提取功能，采用端到端的網絡訓練方法，在訓練過程中，可以通過驗證集查看是否過擬合，有沒有達到預期訓練效果。測試的方式之一是查看1：1的驗證率，即將測試集劃分正負樣本對，在FAR為1%、0.1%和0.01%時求閾值和驗證率，以此觀察訓練效果。

在對鳥類進行分類時，本研究中的智能監測系統的識別算法利用了鳥類身體的整體特征和局部特征，如頭部、身體部位等，分別提取特征然后融合進行分類，最后輸出鳥類的類別。結合前述的目標檢測模塊，網絡結構如圖4所示。

圖4 卷積神經網絡結構Fig.4 Convolutional neural network structure

3 系統應用展示

該系統可以針對季節變化，實時監測記錄濕地公園鳥類及其它野生動物種類和種群數量變化、覓食和棲息繁殖情況、生活習性和規律、周圍環境因素對野生動物的影響及致病情況等，由此了解濕地公園生態系統野生動物資源及生態平衡影響因素和動態變化規律。在合作的一年半時間里，湖北遠安沮河國家濕地公園通過人工智能技術實現的鳥類保護監測系統取得了良好效果，目前監測到沮河濕地范圍鳥類種類已增加至165種，其中國家Ⅰ級保護鳥類2種，國家Ⅱ級保護鳥類14種。

本系統在湖北遠安沮河國家濕地公園已投入測試和應用，系統架構包含設備及服務端、管理及服務端，通過前端IPC和人工智能及物聯網系統對環境實施監測，同時進行鳥類識別、入侵檢測、人體識別、車輛識別和實時預警。IPC部署在視野開闊、偽裝隱蔽、避免潮濕的環境，設備采集數據效果更好。其中濕地公園監測情況和野生動物保護識別實時檢測平臺分別如圖5、圖6所示。圖5展示了在琵琶州、洪家灣等水域的環境監測圖片，圖6展示了近一周鳥類活動和種類等信息。

該系統將人工智能技術和流媒體技術整合，形成完整的個體或群體的快速識別方案，在實時監控大屏中可以觀測到濕地公園內重點保護動物和環境的情況，發現重點檢測鳥類后主動語音并彈窗提醒，系統報警以彈窗及語音方式在系統Web界面展示，后臺推送消息到管理員移動端設備，系統界面如圖7所示。在測試中，此系統在200 ms內完成鳥類、人體、車輛等識別，最小識別像素為200*200，識別率達到95%以上，準確率在90%以上，同時系統在100 ms內完成區域入侵警報，最小識別像素為100*100，誤報率小于1%，在不降低識別準確率的前提下，能夠高效地檢測重點鳥類。

圖5 遠安濕地公園監測情況Fig.5 Monitoring of Yuan 'an wetland park

圖6 野生動物保護識別實時檢測平臺Fig.6 Real-time detection platform for wildlife protection and identification

圖7 系統Web頁面展示拍攝信息Fig.7 Display of the system Web page

4 結語

遠安沮河國家濕地公園中應用鳥類智能識別系統方便了對鳥類的監測和保護，促進了人工智能技術在生物多樣性保護方面的應用。目前對鳥類的檢測和識別取得了突破性的進展，但依然存在一些技術難點。在實際場景中拍攝到的鳥類圖像往往背景和圖像結構較為復雜，簡單的特征在表達圖像信息存在一定的困難。現有的大多數算法均采用CNN作為特征提取器，但CNN特征對鳥類圖像識別來說，其表達能力依然有限，這將是后續改進的方向之一。在檢測之后要對圖像關鍵特征精準提取來實現鳥類識別，其難點在于圖像類間差異較小，鳥類特征的區分主要在圖像的細微局部區域。神經網絡的精準表征是未來研究的主要方向。