基于Raspberry Pi和YOLO框架的实时蚂蚁物种检测边缘计算系统AntPi的研发与应用

为解决传统蚂蚁监测方法效率低下、缺乏物种特异性识别的问题，意大利佩鲁贾大学团队开发了基于Raspberry Pi的边缘计算系统AntPi，采用YOLO框架实现5种树栖蚂蚁和1种形态型的实时检测，并集成环境传感器建立气候-活动关联模型。研究构建了首个专用蚂蚁数据集，通过噪声测试提出新型鲁棒性指标，验证了系统在野外部署的可行性，为生态监测提供了自动化解决方案。

　　

在生态学研究领域，蚂蚁作为关键的环境指示物种，其种群监测对评估生物多样性和生态系统健康具有重要意义。然而传统依赖人工采样的方法存在效率低下、主观性强等局限，而现有计算机视觉系统多聚焦于昆虫宏观监测，缺乏针对蚂蚁这类小型生物的物种级识别能力。尤其在地中海农业生态系统中，本地蚂蚁物种如Crematogaster scutellaris（CS）和Camponotus vagus（CV）对害虫防治具有潜在价值，但缺乏有效的自动化监测工具。

针对这一技术空白，意大利佩鲁贾大学团队开发了AntPi系统，这是首个基于Raspberry Pi的边缘计算平台，专门用于蚂蚁物种的实时检测。研究团队首先构建了包含1,253张图像的专业数据集，涵盖5种树栖蚂蚁和Temnothorax spp.（TS）形态型，通过公民科学平台iNaturalist和野外采集确保数据多样性。采用YOLOv9/v10/v11框架进行模型训练，创新性地引入合成噪声测试集评估系统鲁棒性，并集成DHT11温湿度传感器与GT-U7 GPS模块实现环境数据关联。

关键技术方法包括：1）使用MakeSense.ai平台进行图像标注，构建首个蚂蚁专用数据集；2）采用多种YOLO架构进行迁移学习，比较不同模型尺寸（n/s/m）的性能差异；3）设计四级噪声测试（背景干扰点→蚂蚁轮廓模拟）量化模型抗干扰能力；4）在Raspberry Pi 5/3B硬件平台部署模型，评估CPU/RAM占用和能耗指标；5）开发配套云服务实现数据可视化与分析。

研究结果方面：

1. 1.

   模型性能：YOLOv9系列表现最优，v9t模型mAP50达88.5%，但v10系列在抗干扰测试中展现更强稳定性，其Robustness Score（RS）在最高噪声等级仍保持0.907。

2. 2.

   硬件效能：RPi5运行v11n模型时推理速度达0.35秒/帧，较RPi3B快7倍，但能耗增加2.5倍；OpenVINO格式在RPi5上实现11.6 FPS实时处理能力。

3. 3.

   噪声测试：系统在最高级噪声（蚂蚁轮廓模拟）下仍保持0.64假阳性/图的错误率，验证了野外应用的可靠性。

讨论指出，AntPi突破了传统监测方法在时效性和物种分辨率上的限制，其创新性体现在：1）首次实现边缘设备上的蚂蚁物种级识别；2）提出标准化噪声测试方法量化模型鲁棒性；3）硬件-算法协同设计平衡性能与能耗。尽管存在运动模糊导致的检测盲区，该系统通过<20W太阳能供电方案支持长期野外工作，为建立蚂蚁种群动态数据库提供了可行路径。未来通过量化（INT8）和模型蒸馏等技术优化，将进一步扩展其在生物多样性监测中的应用范围。

该研究发表于《Ecological Modelling》，为智能昆虫监测领域提供了重要范式，其方法论尤其适用于地中海农业生态系统的可持续管理。通过将深度学习与边缘计算结合，AntPi实现了从实验室算法到野外实用工具的跨越，为气候变化背景下的生物指示研究开辟了新途径。