基于YOLOv11s与阈值预警的印度城市流浪犬智能监测系统及其对公共卫生安全与生态规划的意义

来自印度查谟和克什米尔地区的研究人员针对流浪犬引发的公共安全与健康问题，开发了基于YOLOv11s模型的AI监测系统。该模型在真实场景中实现犬类（精度0.995）和人类（精度0.991）的高精度检测，并集成可配置阈值警报的Web应用，为城市生态规划和狂犬病防控提供数字化解决方案。

　　

印度自由活动的流浪犬种群对公共安全、健康及动物福利构成严峻挑战。该国每年约发生2000万起犬咬伤事件和2万例狂犬病相关死亡。这一伴人物种作为捕食者和疾病传播载体，对城市生物多样性产生负面影响。传统监测方法效率低下，需开发强健且可推广的解决方案。本研究探索基于先进深度学习技术的人工智能（AI）解决方案，利用从印度查谟和克什米尔斯利那加和甘德巴尔地区采集的真实数据集，通过迁移学习训练定制化YOLOv11s模型。该模型可检测并计数城市街道和校园环境中的犬类与人类，特别聚焦克什米尔流浪犬态势。系统实现犬类检测精度0.995（召回率0.966）和人类检测精度0.991（召回率0.915），平均精度均值（mAP@0.5）达0.973。模型被集成至用户友好型Web应用程序，支持检测功能与可配置阈值警报设置。该应用体现了YOLOv11s在印度城市流浪犬监测中的部署价值。基于AI的数字化解决方案为公共安全和"一体健康（One Health）"提供了可扩展且低侵入性的工具。通过发挥公民科学的力量，可生成实时空间数据，支持生物多样性敏感型城市规划，如野生动物廊道建设、废物管理优化和生态分区规划。