基于无人机热红外多帧处理的普氏原羚监测方法研究及其生态保护意义

针对夜间及弱光条件下普氏原羚(Procapra przewalskii)监测难题，研究人员提出基于YOLOv8s的多帧处理(YOLO-MFP)方法，结合光流(OF)与背景抑制(BS)技术，构建TIR-Procapra przewalskii数据集，实现96.4% mAP@0.5和97.0%召回率，为野生动物保护提供高效技术方案。

　　

在青藏高原的广袤草原上，普氏原羚(Procapra przewalskii)作为高海拔生态系统的关键物种，正面临栖息地退化和盗猎的双重威胁。传统监测手段如相机陷阱和遥感技术存在时空分辨率不足、夜间监测盲区等问题，而无人机(UAV)可见光成像在弱光条件下性能骤降。这一困境催生了热红外(TIR)技术的应用需求，但现有算法对小目标、复杂背景和运动模糊的适应性不足，亟需开发兼顾精度与实时性的新型监测方法。

针对这一挑战，中国科学院地理科学与资源研究所的研究团队创新性地提出YOLO-MFP模型，通过多模态数据融合和轻量化结构设计，显著提升了TIR影像中普氏原羚的检测效能。相关成果发表于《Ecological Informatics》，为野生动物智能监测提供了技术范式。研究团队首先采集了13段UAV-TIR视频构建专属数据集，继而采用改进的Horn-Schunck光流算法提取运动特征，结合单应性矩阵对齐的背景抑制技术生成辅助输入。模型架构上引入小目标检测头(P2层)增强细粒度特征捕捉，并采用VoVGSCSP模块优化颈部网络，在保持96.4% mAP@0.5的同时将参数量控制在13.2M。

关键技术方法包括：(1)基于DJI Mavic 3T无人机采集的640×512分辨率TIR视频数据；(2)改进的光流算法加入动量项和权重函数，实现运动目标精准定位；(3)快速单应性估计网络完成图像对齐；(4)四尺度检测头(P2-P5)架构增强小目标识别；(5)VoVGSCSP模块融合GSConv与跨阶段特征，降低18.9 GFLOPS计算负担。

研究结果部分揭示：
2.1 研究区域与目标
在青海刚察县哈尔盖镇(海拔3300m)获取的2.5小时TIR视频显示，普氏原羚在晨昏时段体温特征显著，验证了TIR监测的可行性。

2.3 目标检测网络
YOLO-MFP通过C2f模块和SPPF结构增强特征提取，相比基线模型，新增的P2检测头使<4×4像素目标召回率提升5.8%。

2.4 改进光流技术
引入金字塔计算的加权函数ω(x,y)(式9)后，背景像素干扰减少37%，运动矢量收敛速度提高2.3倍。

2.5 背景抑制技术
基于欧式变换的单应性矩阵(式14)实现帧间对齐，使背景噪声信噪比(SNR)提升至19.6dB。

3.4 基准评估
在3216张测试图像中，YOLO-MFP以92.6%精度和97.0%召回率超越YOLOv12s等11种对比模型，误检率降低至1.2%。

3.5 消融实验
三帧输入(原始+OF+BS)使mAP@0.5提高4.1%，而VoVGSCSP模块在参数量减少3.5M时仍保持92.5% mAP。

讨论部分指出，该研究首次将多帧时序信息融入UAV-TIR监测，解决了Luo et al.(2023a)单RGB模态的夜间失效问题。相比Matzner et al.(2020)的ThermalTracker-3D，本方法在50-100m航高下的水平定位误差缩小至±3m。创新性地采用动态搜索区域策略(式11)，使能耗降低18%的同时维持83FPS实时性。

结论强调，YOLO-MFP为高寒濒危物种监测提供了标准化技术框架，其96.4%的检测精度和32.8MB的轻量化模型，特别适合边缘计算设备部署。未来通过融合RGB-TIR多光谱数据和模型量化压缩，有望进一步推动生态保护的智能化进程。