Urchinbot：一种用于快速检测与分类栖息地改造型海胆物种的开源模型及其在大型海藻林生态系统监测中的应用

《Marine Environmental Research》：Urchinbot: An open-source model for the rapid detection and classification of habitat-modifying sea urchin species

本文介绍开源模型Urchinbot，该模型基于YOLOv5改进，可快速自动检测与分类三种栖息地改造型海胆物种（如Evechinus chloroticus）。研究通过多平台水下图像数据训练模型，在Squidle+平台实现数据标准化与部署，验证显示其检测精度高（F1分数=0.879，mAP50=0.908）、物种区分误差低于1%，且处理速度较人工提升约24倍，为大型海藻林生态系统的时空动态监测及过度放牧管理决策提供关键技术支撑。

　　

亮点

图像采集与数据集创建

我们选用Squidle+作为整个机器学习工作流的中心平台。Squidle+是一个专为探索、管理和注释地理参照水下图像而设计的在线平台，我们利用它创建了必要的训练数据集，并后续部署、测试和验证了Urchinbot模型。在整个调查区域，我们获取了来自多个图像平台的图像。

使用了四个图像来源，包括自主水下航行器（AUV）、拖曳式摄像系统、潜水员手持相机和固定摄像站。所有图像均通过Squidle+进行标准化管理和注释，确保了数据的一致性和可访问性。

消融研究

最佳模型拟合结果为YOLOv5-m-All，这是经过所有修改后的最终模型，在消融研究中表现出最高的召回率、F1分数和mAP₅₀（表S5）。中间模型的结果展示了各项改动如何影响模型的检测性能，通常较先前模型提升了F1分数和mAP₅₀（表S5）。部分改动虽降低了某些单独指标，但仍带来了整体模型性能的提升。例如，使用更高分辨率图像虽略微增加了计算开销，但显著提升了小目标检测精度。

讨论

快速、准确检测大地理范围内的海胆种群，对于评估和管理因过度放牧导致的当前及预期的海藻损失所带来的灾难性影响至关重要。本研究证明，机器学习是一种适用且有效的工具，可用于在新西兰东北部和澳大利亚东南部检测多种栖息地改造型海胆物种，从而实现大规模、快速的种群评估。模型的高平均精度和召回值表明其在实际监测应用中具有高可靠性。

结论

总体而言，对Urchinbot的评估表明，该模型能够做出可靠且准确的预测，其速度远超人工手动注释。Urchinbot现已可用于新西兰东北部和澳大利亚东南部涉及栖息地改造型海胆物种检测与分类的实际应用中。