计算机视觉技术加速鸟类孵化行为监测与分析——以北极海鸭巢穴影像研究为例

这篇综述创新性地将YOLOv7模型与StrongSORT算法结合，开发出高效处理鸟类巢穴影像的"人机协同"（human-in-the-loop）分析流程。研究以北极常见绒鸭（Somateria mollissima）为模型，实现比人工快3倍的视频处理速度，同时保持100%的孵化行为记录准确度，为野生动物行为监测提供了可推广的计算机视觉（CV）解决方案。

　　

引言

随着摄像与数据存储技术的革新，科学家们能够获取海量野生动物监测数据。这对鸟类繁殖研究尤为重要——通常需要持续数周的巢穴观察。然而庞大数据量导致处理瓶颈，人工分析还面临个体差异带来的标准不统一问题。为此，研究者开发了结合定制化YOLOv7模型与StrongSORT跟踪算法的计算机视觉流程，用于分析阿拉斯加波弗特海沿岸绒鸭巢穴影像。

材料与方法

代表性帧采样

从2015年56个巢穴的5TB延时影像中，使用FFmpeg工具按1-2小时间隔采样11,423帧。通过MegaDetector v5a模型预筛，最终获得6,322帧训练数据（含4.73%空场景）。

数据标注

采用LabelStudio工具标注三类目标：雌/雄绒鸭和鸥类（Laridae）。训练集包含7,710个雌鸭实例（占66.98%），标注时确保边界框紧密包裹目标以减少背景干扰。

模型训练

在配备NVIDIA RTX 3060显卡的工作站上，使用YOLOv7标准网络训练150个epoch。通过调整IOU阈值（最优0.2）和权重衰减（5×10^-3），使雌鸭检测的平均精度（mAP@0.5）达0.901，F1分数0.79。

跟踪算法整合

改进StrongSORT算法，为每个新轨迹生成快照。测试时采用2016年全新巢穴视频，确保模型泛化能力。

人机协同验证

开发辅助工具包快速修正跟踪错误，如处理ID切换（当孵卵雌鸭被误标为背景物体时）。通过三组测试视频验证，人工复核将准确率提升至100%。

结果

模型表现

测试集（272帧）中模型对雌鸭的召回率达84.14%（测试巢1）。当目标占画面面积较大时（如测试巢3），自动检测成功率高达98.53%；而目标较小（占画面<5%）时降至22.75%（测试巢2），主要受天气遮挡和"平趴"行为影响。

效率提升

处理26天视频仅需17小时，较人工审查（60小时）效率提升353%。典型错误包括：暴雨导致的短暂丢失（图9）、同类个体遮挡（图5），以及罕见的掠食者误分类（棕熊被标为雌鸭，图8）。

讨论

技术优化建议

1. 1.

   摄像机应尽可能靠近巢穴（或使用变焦镜头），确保目标占画面15%以上面积

2. 2.

   训练数据需涵盖多样光照、天气及姿势（如"警戒性平趴"）

3. 3.

   对小型目标检测，可参考Ye等（2024）的最新小物体识别算法

生态学意义

该技术能高效识别巢穴干扰事件（如北极狐捕食），并量化气候变化对孵化行为的影响。在北极变暖速率达全球均值4倍的背景下，为动态保护策略提供数据支持。

结论

这套物种通用的分析流程，将计算机视觉的自动化优势与生物学家的专业判断相结合，显著提升了鸟类行为研究的效率。配套的开源代码和操作指南（补充材料S1-S2）使其易于推广，为应对生态"大数据"挑战提供了创新范式。