通过陷阱捕捉无脊椎动物并进行计数与鉴定：一种利用图像和深度学习的新方法

《New Zealand Entomologist》：Counting and identifying invertebrates from pitfall traps: a novel method using images and deep learning

无脊椎动物图像识别研究基于新西兰地面采样陷阱图像构建数据集，采用两阶段YOLO模型实现物种检测与分类。检测阶段平均精度达0.95，分类准确率Top1达0.92， Coleoptera等优势类群识别效果最佳，为非专业人员提供高效识别工具，推动野外采样、实验室计数流程革新。

　　

摘要

通过标准化采样方法（如陷阱捕捉）来识别无脊椎动物通常非常耗时，因为它们的数量众多且种类繁多。然而，基于图像和深度学习技术的新方法正在迅速提高无脊椎动物识别的效率，尤其是对于非专业人士而言。在这项研究中，我们使用了新西兰地面无脊椎动物的图像数据集来训练目标检测和分类模型，以实现无脊椎动物的识别。我们拍摄了陷阱中捕获到的无脊椎动物的单张图片，将其标注到相应的分类群中，并应用了两阶段的YOLO深度学习模型进行识别。虽然不同分类群的模型精度存在差异，但整体平均精度达到了0.95（针对目标检测阶段）。分类阶段的准确率最高为0.92。观察数量最多的分类群是鞘翅目（Coleoptera）、等足目（Isopoda）和蚁科（Formicidae），这些分类群的识别准确性也最高。尽管深度学习技术在昆虫学领域仍处于起步阶段，但此类方法有可能彻底改变野外采样、实验室计数以及无脊椎动物识别的方式。