基于深度学习的华北豹个体识别与太行山移动生态学研究：轻量化神经网络LeoNet的构建与应用

《Integrative Zoology》：A Lightweight Deep Neural Network for Individual Leopard Identification: Supporting Movement Ecology in the Taihang Mountains of Henan

　　

摘要 豹（Panthera pardus）的个体识别与追踪对于保护野生种群和理解其行为生态学至关重要。现有方法主要依赖人工斑纹比对，该方法在大数据集上效率低下，且难以识别因生长发育而发生斑纹变化的亚成体。此外，关于野生华北豹（Panthera pardus japonensis）移动生态学的个体水平研究仍然匮乏。为应对这些挑战，研究人员提出了LeoNet，一种整合卷积神经网络（convolutional neural networks, CNNs）与多层感知机（multilayer perceptrons, MLPs）的轻量化混合深度学习模型，用于豹的个体识别。利用从142只圈养及野生猫科动物收集的42 868张图像，LeoNet在成体识别中优于11个对比模型中的大多数（最佳准确率97.42%），并在幼体识别（95.24%）及陌生个体测试（96.28%）中表现出稳健性能。通过将LeoNet应用于河南太行山的红外相机数据，研究人员识别出41个野生个体，重建了其移动轨迹，估算了个体家域（1.63–29.09 km2），并基于2017–2024年监测期间的行为分析了个体间的社会关系。研究发现性别间社会行为存在显著差异，济源地区雌性在共同出现事件中的比例显著更高（p < 0.01），而焦作地区雄性比例显著更高（p < 0.05）。这些发现揭示了三个空间分离的群体、广泛的家域重叠，以及与人为基础设施相关的显著栖息地破碎化。该研究引入了一种计算高效的模型及用于独居食肉动物长期监测与生态分析的综合框架，为濒危华北豹的循证保护提供了个体水平记录与生态学见解。

论文解读：基于轻量化深度学习模型的华北豹个体识别及其在太行山移动生态学研究中的应用

一、研究背景与问题

大型食肉动物是陆地生态系统的关键组成部分，对猎物种群、营养级互作及群落结构具有重要调控作用。可靠的种群监测对于评估种群状况和指导保护管理至关重要。红外相机（camera trap）已成为野生动物监测的重要工具，能够提供动物在时空上的重复视觉记录。豹作为全球分布最广的大型猫科动物，目前被IUCN红色名录列为易危（Vulnerable, VU）物种。华北豹（Panthera pardus japonensis）为中国特有种，被列入中国生物多样性红色名录濒危（Endangered, EN）等级，估计已丧失高达98%的历史分布区。在河南省，其种群现局限于太行山区，作为温带森林生态系统中的顶级捕食者，对维持群落结构和生态系统稳定性具有重要作用。

目前个体识别仍主要依赖人工比对斑点、条纹或玫瑰花斑等皮毛图案，该方法易受观察者主观偏差影响，且难以扩展至大规模数据集。尽管已有计算机视觉算法和深度学习方法被应用于东北虎、大熊猫等多种野生动物的个体识别，但许多模型计算强度大，限制了实际应用。轻量化模型虽提升了处理速度和效率，但其在野生动物个体识别中与移动生态学分析的结合仍探索不足。此外，由于幼体在发育过程中皮毛图案发生显著变化，监测幼龄个体面临重大挑战，基于静态视觉特征训练的卷积神经网络（CNN）可能将陌生个体误判为已知个体，导致生态推断偏差。种群的社会组织结构也是稳定性的关键维度，理解其需要将长期个体监测与移动生态学理论相结合。

二、研究内容与结论

针对上述挑战，研究人员开发了LeoNet，一种结合CNN与多层感知机（MLP）的轻量化混合深度学习模型，用于豹的个体识别。通过将自动化个体识别与基于红外相机的生态分析相结合，本研究旨在：(1)评估LeoNet能否跨身体区域和生命阶段识别已知个体，并区分新采集野外图像中的新发现个体；(2)测试轻量化架构能否在低计算需求下实现高识别精度；(3)重建移动轨迹并估算推定家域，评估河南华北豹种群的空间分离与栖息地破碎化状况；(4)分析个体行为模式与个体间社会关系，为濒危华北豹的社会生态学提供新见解。研究结果为华北豹的长期非侵入性监测和保护规划提供了实用框架，并可能对其他具有天然标记的大型食肉动物具有参考价值。

三、关键技术方法

研究人员使用了42 868张图像，来源包括：(1)30家动物园机构使用佳能EOS 90D单反相机和红米Note 4X智能手机拍摄的圈养豹和美洲豹；(2)2017年1月至2024年6月河南太行山红外相机（型号UVS5P-H和UMS5P-H）记录的野生华北豹。共部署236台红外相机，覆盖济源、焦作、新乡三个区域。每只个体被划分为六个不重叠身体区域（前脸、左侧脸、右侧脸、左侧身体、右侧身体、尾部），使用LabelMe进行标注并裁剪。LeoNet架构整合卷积块和Shift MLP模块，引入Squeeze-and-Excitation（SE）注意力机制，以4.67百万参数和1.53 GFLOPs实现高效识别。模型使用交叉熵损失和Adam优化器训练，并与11种先进模型（ConvNeXt、CSPNet、DenseNet、DPN、EfficientNet、MLP-Mixer、Swin Transformer、Vision Transformer、ResMLP、WaveCNets、AP-CNN）进行对比。

四、研究结果

1. 多模型性能对比

LeoNet在六个身体区域的成体识别中均表现优异，最佳准确率97.42%（右侧脸），F1分数0.952，参数仅4.67百万，计算量1.53 GFLOPs，在准确率与计算效率间实现了良好平衡。相比之下，ConvNeXt虽参数多19倍、计算量大52倍，准确率仍低5%–10%。LeoNet在训练早期阶段即快速收敛，约第50个epoch趋于稳定。

2. 困难样本混淆矩阵分析

在左侧身体数据集的困难样本测试中，LeoNet对最困难类别（标签69）的召回率达0.93，显著优于EfficientNet（0.82）和ConvNeXt（0.80），混淆矩阵表现出强对角线优势和低类间混淆，表明其能更精细地区分个体特异性特征。

3. 幼体与陌生个体识别

幼体识别实验中，模型使用1、3、5月龄图像训练，测试7、9月龄图像，准确率92.98%–95.24%，左侧脸F1分数最高（0.922），表明模型能够跨发育阶段识别个体。陌生个体测试中，模型通过置信度阈值区分已知个体与陌生个体，左侧脸F1分数最高（0.886），准确率96.28%。右侧脸在两项测试中表现相对较低，可能反映图像质量和观察条件的差异。

4. 河南豹种群、移动轨迹与推定家域

LeoNet识别出7个已知个体和3个新个体（含1只幼体Jz10），使河南野生华北豹记录总数达41只（15只雄性、13只雌性、13只性别未知）。移动轨迹和最小凸多边形（MCP）家域估算显示，太行山华北豹分为三个空间分离群体：济源西部（最小活动面积71.60 km²）、济源东部（9.34 km²）和焦作（15.50 km²）。济源个体家域1.63–29.09 km²，雄性家域基本不重叠，多个雌性家域位于雄性家域内；焦作个体家域2.66–10.88 km²，雄性家域重叠较大，所有雌性家域完全位于雄性家域内。焦作种群呈雄性偏倚的性别比（5雄:3雌）。

5. 基于行为的豹社会关系分析

济源地区记录14次共同出现事件，雌性JY01F参与50.00%的事件，频繁与后代Jy05F、Jy15、Jy17表现出亲代抚育行为。JY01F至少7岁，确认至少两胎共三只后代。雌性参与共同出现事件比例（100%）显著高于雄性（50%）（Fisher精确检验：p < 0.01）。焦作地区记录11次共同出现事件，雄性参与比例（90.91%）显著高于雌性（36.36%）（p < 0.05）。常驻雄性JZ01M和JZ02M（均≥7岁）表现出高共同出现频率（45.45%和54.55%）。亚成体Jz03M和Jz04M可能为同胞兄弟，JZ08F–Jz10母子对在2023年12月表现出亲代抚育行为。

五、讨论与结论

LeoNet以4.67百万参数和1.53 GFLOPs实现了95.86%–97.42%的跨身体区域识别准确率，在计算效率和识别精度间取得良好平衡，且表现出更快的收敛速度和更稳定的训练过程。幼体实验表明个体识别在体型和皮毛图案发育变化下仍然可行，陌生个体测试证实模型能区分已知个体与新发现个体。数据集包含圈养和野外条件下超过40 000张图像，涵盖多种视角和身体区域，增强了模型鲁棒性和泛化能力。

移动生态学分析揭示了河南太行山华北豹种群显著的栖息地破碎化。济源东西部群体被S95高速公路分隔，监测期间无个体跨群体活动记录。西部群体中，8年仅记录5次穿越X012次级公路的事件，2024年11月还观察到一只明显消瘦的豹在路旁休息，符合“恐惧景观”概念——道路等人为结构可形成感知风险区并作为屏障，加剧栖息地破碎化。焦作马头山群体检测集中在被村庄和道路包围的15.50 km²最小活动区域内，个体家域高度重叠，可能反映周围基础设施的空间约束和本地资源集中。栖息地破碎化可能阻碍基因流、降低遗传多样性并增加近亲繁殖风险，维持空间分离群体间的连通性应作为未来监测和保护规划的重点。

研究结论指出，基于深度学习的个体识别可将大规模红外相机数据集转化为个体监测记录，支持识别常驻个体、繁殖雌性、重复利用区域和潜在移动廊道，并为未来空间标记重捕（spatial capture recapture）分析和长期种群监测提供数据。该框架经物种特异性训练和验证后，可推广至其他具有天然标记的大型食肉动物。对于河南太行山，应通过整合红外相机网络、跨区域合作和针对性栖息地恢复，加强核心栖息地和关键移动区域的长期监测，以改善栖息地连通性。同时需注意，红外相机仅在个体经过监测位点时记录，所得到的移动轨迹和家域估算代表检测空间利用的保守指标，而非连续移动路径。未来工作可结合长期个体识别与更系统的相机布设及空间标记重捕模型，以改进密度估算和种群监测。