WildlifeRailGuard:一种用于减少森林地区火车与动物碰撞的新型保护技术

《Journal of Rail Transport Planning & Management》:WildlifeRailGuard: A novel conservation technology to mitigate train-animal collisions in forest regions

【字体: 大 中 小 】 时间:2026年02月05日 来源:Journal of Rail Transport Planning & Management 2.3

编辑推荐:

  盖亚特里·N·P | 吉娜·普拉萨德 | 查达·纳拉辛哈·雷迪 | 查帕·加甘·德瓦兹 | 古鲁·阿斯维尼·达斯 | 梅特雷伊·阿瓦斯蒂 | 迪帕·因迪拉·奈尔 印度阿姆里塔普里,阿姆里塔世界大学机械工程系 **摘要** 火车与野生动物相撞的事件日益增多,尤其是与大

  盖亚特里·N·P | 吉娜·普拉萨德 | 查达·纳拉辛哈·雷迪 | 查帕·加甘·德瓦兹 | 古鲁·阿斯维尼·达斯 | 梅特雷伊·阿瓦斯蒂 | 迪帕·因迪拉·奈尔
印度阿姆里塔普里,阿姆里塔世界大学机械工程系

**摘要**
火车与野生动物相撞的事件日益增多,尤其是与大象的碰撞,这对以森林为栖息地的野生动物保护工作造成了严重威胁。为能够实时检测到大象等野生动物,并及时向列车操作员发出警报,本研究采用了先进的深度学习算法,结合安装在铁路沿线关键位置的摄像头系统。研究提出将“WildlifeRailGuard”作为解决这一问题的创新方案。该系统通过深度学习算法与摄像头相结合,实现实时监测,一旦检测到野生动物,就能立即提醒列车操作员减速,从而保障乘客和野生动物的安全。此外,“WildlifeRailGuard”还通过数据分析为野生动物行为和活动模式提供有价值的洞察,有助于野生动物保护。利用数据分析工具可以减轻铁路建设对各种动物物种的负面影响,为实现铁路发展与森林保护之间的可持续平衡带来希望。

1. **引言**
铁路基础设施已成为全球各国发展战略中的重要组成部分。印度和中国等国正在大力改善铁路设施,因为铁路在推动经济增长和区域互联互通方面发挥着至关重要的作用(Liu等人,2023;Ghosh和Dinda,2022)。随着人口增长和城市化进程加快,人们对高效、可靠的交通网络的需求也越来越高。为此,各国政府纷纷致力于铁路系统的扩建与现代化,以提升区域间的连接性(Dulac,2013)。图1展示了截至2050年的铁路网络扩展预测情况。

**图1. 全球出行量预期增长趋势(Dulac,2013)**

印度目前的铁路发展理念是以速度、准点、舒适、清洁和便捷为核心,致力于彻底改变人们的出行方式。印度在高科技研发方面取得了显著进展,尤其是在高速列车领域,例如“Vande Bharat Express”项目(Mani和Iyer,2020)。然而,高速列车在森林生态系统中的运行却带来了新的问题,即火车与野生动物相撞的事件不断增加。森林栖息地、茂密的植被以及复杂的地形给野生动物和列车操作员都带来了巨大挑战(Rea等人,2010)。野生动物数量的减少打破了原有的生态平衡,威胁到了森林生态系统的完整性。图2展示了印度铁路线与森林区域的分布情况,可见铁路线常常穿过不同的森林生态系统,这体现了人类基础设施与生物生态系统之间的紧密联系。印度政府发布了多份报告,记录了火车与野生动物相撞的事件,尤其是涉及大象的案例,这一问题已严重影响到印度铁路部门及政府的工作。大象由于行动缓慢且体型庞大,更容易受到火车的撞击。它们体型较大,机动性较差,穿越铁路轨道所需时间也比小型动物更长。尽管大象具有出色的感官能力,如极高的敏感度、频率分辨能力和声音定位能力,但在能见度低或植被茂密的环境中,它们可能难以及时察觉并躲避快速行驶的火车(Heffner和Heffner,1982)。大象通常沿着传统的迁徙路线移动,而这些路线往往与铁路线交叉,因此它们在迁徙过程中更容易与火车发生碰撞,从而增加事故风险。表1列出了2002年至2020年间印度喀拉拉邦发生的 elephant与火车相撞事件,表2则总结了2008年至2021年间印度泰米尔纳德邦的类似事故情况。

**图2. 印度铁路线与森林区域的交叉情况(Chaturvedi等人,2022)**

**表1. 印度喀拉拉邦铁路线上死亡的大象数量(MoEF,2021)**
| 日期/时间(小时) | 大象数量/性别/线路/地点 |
|------------------|------------------------|
| 2002年9月21日/22:50 | 2头/雌性及幼崽/B线/511号地点 |
| 2006年11月2日/21:30 | 1头/雄性/A线/511号地点 |
| 2007年9月28日/02:15 | 1头/幼崽/B线/511号地点 |
| 2009年6月3日/22:35 | 2头/雌性及幼崽/B线/516A号地点 |
| 2009年7月16日/00:38 | 1头/雌性/B线/512号地点 |
| 2010年8月16日/21:50 | 1头/幼崽/B线/511号地点 |
| 2016年11月27日/07:10 | 1头/雄性/B线/514号地点 |
| 2019年12月24日/22:57 | 1头/雄性/B线/526号地点 |
| 2020年8月19日/05:50 | 1头/B线/510号地点 |
| 2020年11月7日/18:10 | 1头/B线/514号地点 |
**总事故数:10次,死亡大象总数:12头**

**表2. 印度泰米尔纳德邦铁路线上死亡的大象数量(MoEF,2021)**
| 日期/时间(小时) | 大象数量/性别/线路/地点 |
|------------------|------------------------|
| 2008年2月4日/01:07 | 3头/1头雄性,1头雌性/B线/9-11号地点 |
| 2009年7月17日/01:20 | 1头/雄性/A线/506号地点 |
| 2016年6月20日/00:54 | 1头/雌性/A线/497号地点 |
| 2016年7月9日/05:05 | 1头/雄性/B线/508号地点 |
| 2016年7月29日/06:05 | 1头/雌性/B线/506号地点 |
| 2019年8月2日/23:00 | 1头/幼崽/B线/507号地点 |
| 2020年8月8日/05:45 | 1头/B线/506号地点 |
| 2021年3月15日/01:20 | 1头/雄性/B线/506A线/09号地点 |
**总事故数:8次,死亡大象总数:10头**

传统的解决办法之一是在铁路轨道两侧设置围栏,防止动物进入轨道,从而降低碰撞风险(Clevenger等人,2001)。这种物理屏障能够限制野生动物在铁路沿线的活动。但缺点是,围栏会妨碍野生动物的自然活动,尤其是那些依赖这些路线进行觅食、繁殖和迁徙的物种。这种隔离会导致种群孤立、遗传多样性下降,最终引发生态系统退化(Bendegúz等人,2020)。

在铁路沿线设置由列车触发警报的系统,也有助于大幅减少与野生动物的碰撞(Backs等人,2017)。这类系统可以通过在铁路沿线 strategically布置的传感器或警报装置来检测野生动物的存在。不过,对于高速列车而言,必须考虑足够的紧急制动距离。例如,时速300公里的列车至少需要提前3500米收到警报,才能保证有足够的停车距离。表3展示了不同速度下高速列车的制动距离(Yi,2018)。

“WildlifeRailGuard”是一种有望解决火车与野生动物相撞问题的创新方案,同时也能保护野生动物并保障铁路运营的安全。

**表3. 高速列车的紧急制动距离(Yi,2018)**
| 速度V(公里/小时) | 制动距离S(米) |
|-------------------|----------------|
| 300 | 3500 |
| 250 | 2700 |
| 220 | 1700 |
| 160 | 1400 |
| 140 | 1100 |

专家指出,印度也是存在火车与野生动物相撞问题的国家之一(Roy和Sukumar,2017)。因此,需要开发出创新且灵活的解决方案,以确保安全并拯救众多野生动物的生命。鉴于铁路是发展最快的交通方式之一,且其网络覆盖范围极广,我们提出了一种模型,旨在保护野生动物并确保乘客安全。本文结构如下:第二部分回顾相关研究并指出研究缺口,第三部分详细介绍所提出的方法,第四部分展示研究结果,第五部分则总结关键发现并为未来研究提出建议。

2. **文献综述**
为解决大象与火车相撞的问题,已经有许多研究正在进行,也有一些方案被尝试应用(Nagesh等人,2020;Rathnayaka等人,2020;MoEF,2021)。UOZ-1是一种旨在在铁路沿线发出警报声以减少碰撞的解决方案(Nagesh等人,2020)。但随着时间的推移,动物可能会逐渐习惯这些警报声,从而降低它们在列车接近时主动远离的反应能力。此外,为这些设备铺设基础设施会增加复杂性,有时甚至可能出现故障(Babińska-Werka等人,2015)。

有研究表明,当大象听到某些声音,比如蜜蜂的嗡嗡声时,可能会意识到危险并离开(King等人,2007;Rathnayaka等人,2020)。Rathnayaka等人(2020)建议利用类似的声音来警告大象,在列车靠近时远离铁轨。不过,大象也有可能逐渐习惯这些声音,导致警报失效,这是个值得关注的问题。此外,长期听到这些人造声音也可能让大象感到困扰和压力。因此,需要更深入地研究这些声音系统对大象的影响。印度政府还采用了一些传统措施,比如在森林地区降低列车速度,以及清除铁路两侧宽度超过30米的树木,以提高驾驶员的视野(MoEF,2021)。如果动物无法及时察觉列车,尤其是当它们的视觉或听觉功能受损时,事故风险就会上升。借鉴为人类设计的安全型道路与铁路交叉信号系统,先进的预警信号或许能够有效降低此类风险(Backs等人,2017)。不过,现有的野生动物预警系统往往依赖于成本高昂的基础设施。未来的研究应致力于开发价格合理、适用范围广泛的设备,以在保障安全的同时不影响运营效率。包括在铁路沿线设置围栏以及由列车触发警报的系统在内的现有解决方案都存在一定的局限性(Ferrante等人,2021)。

许多研究认为,视频分析是检测野生动物的最佳方法(Zhang等人,2015;Zhang等人,2016;Verma和Gupta,2018;Ferrante等人,2021)。Verma和Gupta(2018)提出了一种基于机器学习的模型,包括支持向量机、K最近邻算法以及集成树分类器,他们证明这些模型能够在白天和夜间准确检测野生动物。不过,这些机器学习模型会生成大量需要分类的候选区域,这不仅会减慢处理速度,还会消耗大量资源(Verma和Gupta,2018)。Ferrante等人(2021)推荐使用DCNN模型进行野生动物检测。该方法适用于从相机陷阱中获取的复杂且动态的图像,通过图割算法确定动物区域,再利用DCNN进行分类。但由于需要反复对多个候选区域进行分类,该方法的计算成本较高,会影响整体性能(Ferrante等人,2021)。Zhang等人(2015)提出了一种结合图割算法与物体验证的方法,用于从高度复杂的野生动物监控视频中分割动物。该方法首先使用图割算法将前景物体(动物)与背景分离,然后通过跨帧的物体验证机制逐步优化分割结果。在分割完成后,还会应用物体验证模型,通过检查检测到的区域是否真的是动物而非背景噪声,从而减少误报。不过,图割算法需要反复进行分割和背景建模,计算量大,而且它是逐个处理图像区域的,因此会降低系统效率(Zhang等人,2015)。Zhang等人(2016)则提出了一种基于时空物体区域提议框架的模型,用于在复杂的自然场景中检测动物。该模型通过多层图割算法生成动物区域提议,再结合跨帧的时间区域验证方法进行分类,同时融合了深度学习技术与通过费希尔向量编码的手工定向梯度直方图特征(Zhang等人,2016)。不过,这种方法的计算速度相对较慢。我们则通过采用YOLOv8算法,结合Raspberry Pi 5(AI套件),成功克服了这些难题。这种方法将视频分析与实时警报功能相结合,为列车操作员提供全新的解决方案,目前尚未有其他类似应用。

“WildlifeRailGuard”这一系统正是利用实时检测技术与深度学习算法,来预防碰撞并提升铁路安全水平。它通过在铁路沿线部署先进的视频监控系统以及前沿的深度学习算法,能够实时识别大象。通过降低野生动物与列车相撞的风险,“WildlifeRailGuard”不仅有助于保障列车运行的顺畅,还能确保乘客的安全。未来还需要进一步研究,以开发出更具成本效益的解决方案,从而同时保护野生动物和铁路运营安全。

3. **方法论**
为实施“WildlifeRailGuard”系统,需在森林地区与野生动物栖息地相交的铁路沿线,按一定间隔 strategically布置该系统,以实现全面覆盖。该系统的每个单元都配备了具备夜视功能的先进摄像头,这些摄像头专为检测大象而设计(Vandersmissen和XenICs,2008)。此外,系统中还集成了视线传感器,以便在需要时自动切换摄像头的夜视模式,从而确保最佳的检测效果(Crosby,2003)。借助先进的机器学习算法,人工智能系统能够精准识别大象。该系统通过Raspberry Pi这一功能强大且体积小巧的计算机设备与中央数据库相连(Karthikeyan等人,2023),中央数据库会持续更新有关大象出现的信息。这些实时数据对于管理和降低火车与野生动物相撞的风险至关重要(Blum等人,2014)。

**图3**展示了“Link Box”内的各组件以及该系统的工作流程。“Link Box”中装有可适应夜视环境的摄像头,用于从指定位置采集视频信号。这些视频帧会通过树莓派发送给人工智能模型,该模型会根据湿度传感器传来的数据来判断应使用哪种合适的模型。如果画面中检测到大象,系统会通过发射器向列车副驾驶处的接收器发送信号。这些检测信息还会被发送到数据库,在控制面板上进行进一步分析。下载:高分辨率图片(281KB)下载:全尺寸图片图3. 模型框图。该模型还包含一种装置,一旦检测到大象,就会以铁路频率发出特殊的嗡嗡声,立即提醒列车操作员,让他们有时间减速以避免碰撞。由于操作员能够接收到这些警报并采取相应措施,从而确保乘客和野生动物的安全。通过持续收集和分析数据,我们可以识别大象活动的规律,进而改进WildlifeRailGuard系统,提高其防止碰撞的能力。图4展示了该系统的整体结构。图4(a)展示的是铁路线穿过森林的典型场景,这类地方常见大象出没,这凸显了采取有效措施防止列车与大象相撞的必要性,因为这种碰撞对野生动物和乘客都可能造成危险。图4(b)显示了系统在铁路轨道上的布局情况。绿色虚线圆圈表示摄像机的覆盖范围,蓝色圆圈则表示发射器的作用范围。发射范围被刻意扩大,以确保列车操作员能尽早收到警报,及时采取行动。图4(c)说明了检测和警报流程——当摄像机发现大象时,会用红色圆圈标出该区域,同时发射器会发出嗡嗡声(由橙色虚线圆圈表示)。当列车靠近时,驾驶员会收到警报,从而及时减速避免碰撞。一旦大象离开,列车即可恢复正常速度。该系统既能保护野生动物,又能避免潜在灾难,尤其是在高速列车运行时。与大象相撞可能导致列车脱轨,造成人员伤亡和财产损失(Roy和Sukumar,2017)。在目前的RailSafeGuard系统中,如图5所示,在穿越森林的铁路线上每隔200米就安装了一台可见光摄像机,其主要任务就是检测大象。这一间距是经过大量实地分析后确定的,同时考虑了植被茂密、地形复杂以及暴雨或雾等天气状况对视野的影响。200米的间距能够确保每台摄像机都在最佳范围内有效监测其负责的区域,而大象等大型动物行动缓慢,从远处就能轻易辨认出来(Phillips,2006)。这样的间距还能让相邻摄像机之间有部分重叠,一旦某台摄像机出现故障,其他摄像机仍可继续工作,降低遗漏检测的风险。这样的设计能够实现可靠的早期检测和实时警报,对于防止高速列车与大象相撞至关重要。此外,这一间距也与部署在树莓派设备上的、专为检测大象而训练的人工智能模型的能力相匹配。从技术和成本效益的角度来看,这种布局策略能够在以最少的基础设施实现最大覆盖范围,为减少列车与大象的碰撞提供可持续且可扩展的解决方案。下载:高分辨率图片(2MB)下载:全尺寸图片图4. WildLifeRailGuard的工作原理。下载:高分辨率图片(354KB)下载:全尺寸图片图5. 铁路沿线的摄像机布置情况3.1 数据集在本研究中,采用了YOLOv8模型在两种不同条件下检测大象:正常光照条件和夜视条件。正常光照条件下的数据集包含4383张图片,其中3371张用于训练,1004张用于验证,19张留作测试用。这些图片均来自Roboflow网站上的Train Elephant数据集(Akash,2023),内容为各种场景中的大象图像。这些图片是根据YOLOv8的配置进行标注的(见图6)。夜视条件下的数据集包含2211张图片,其中1780张用于训练,198张用于验证,233张用于测试。与正常光照条件下的数据集类似,这部分数据也展示了低光环境下的大象场景,来源于Roboflow上的CVBAIDAP Image Dataset(19i234@psgtech.ac.in,2022)。这些图片同样按照YOLOv8的配置进行标注。我们将图片分为两类:一类是包含大象的图片,属于大象类别;另一类是没有大象的图片,属于背景类别。通过使用这些数据集,旨在训练YOLOv8模型,使其能够在标准和低光环境下准确检测大象,从而在各种条件下都能保持稳定性能。下载:高分辨率图片(1MB)下载:全尺寸图片图6. 数据集图片。3.2 Link Box所提出的系统包括Link Box和接收器框架,为加强铁路沿线的野生动物保护提供了全面解决方案。接收器负责接收来自Link Box(即发射器)的基于频率的信号。该系统的运作始于夜视摄像机发出的信号,这些信号会被Link Box接收。随后,这些信号会由一个包含两个模块的人工智能模型进行处理:一个用于夜视场景,另一个用于白天场景。这两个模型都经过了高度训练,能够精准检测大象,这对于在铁路沿线采取预防措施至关重要。该系统的灵活性体现在它能够根据温度和湿度等环境因素做出响应。如果白天因恶劣天气导致能见度下降,系统会自动切换到夜视模式,确保持续监控。系统还能利用环境传感器提供的实时数据,确定最适合使用的模型,从而在各种条件下都能保持最佳性能。当摄像机检测到大象时,会向接收器发送调频信号,接收器则会生成警告信号,以便及时采取措施,降低对列车运行的潜在威胁。所有的计算任务(模型运行和信号处理)都由树莓派微型计算机高效完成,从而确保系统能够无缝集成并保持稳定运行。软件与硬件的结合体现了技术在保护生物多样性和人类生命方面的巨大作用。3.3 发射器为了确认列车驾驶员与铁路沿线检测装置之间的通信是否正常,本研究使用了天线作为发射器,它们是向操作员发送实时警报的关键组件。借助先进的天线技术,我们的通信网络的覆盖范围和可靠性得到了提升,从而能够及时应对潜在的碰撞风险。这种方式确保列车操作员能够立即收到通知,从而采取主动措施防止事故发生,保护乘客和野生动物。图7展示了一种微带贴片天线的设计,其中绿色部分为基板(绝缘材料,为厚度为1.6毫米的FR4环氧树脂),基板的底部为接地平面。基板上有一个方形贴片(尺寸为WxL),还有一个用于输入的馈线。该天线的介电常数为4.4(FR4环氧树脂),介电层高度为1.6毫米,工作频率为2.4GHz。其长度和宽度是通过以下公式计算得出的。(1)A=z060εr+12+εr?1εr+1(0.23+0.11εr)(2)B=377×π2Z0εr(3)??Wd={Wd=θ?A?2A?2forWd<2Wd=2π{B?1?In(2B?1)+εr?12εr(In(B?1)+0.39?0.61εr)}forWd>2(4)εe=εr+12+εr?12.11+12dW(5)ZO=60In(8dW+W4d)εeforWd≤1=120πεe(Wd+1.39+0.667In(Wd+1.44)forWd≥1其中:下载:高分辨率图片(146KB)下载:全尺寸图片图7. 微带贴片天线的设计。W:天线的宽度d:绝缘材料的厚度εr:基板材料的相对介电常数。Z0:特性阻抗。A和B用于计算宽度W,计算得到的结果为:长度为29.443毫米,宽度为38.036毫米。3.4 硬件本研究所用的硬件系统包括树莓派(AI套件)、能见度传感器以及发射器。为了获得出色的性能,本研究采用了树莓派5版本。它配备了强大的64位四核ARM Cortex-A76处理器,运行频率为2.4GHz,能够实现流畅的实时数据处理。对于视频渲染和图像分析等图形处理任务,则采用了运行频率为800MHz的VideoCore VII GPU。为了提升系统的内存带宽,以便高效处理大型数据集中的复杂人工智能算法,该系统还配备了8GB的LPDDR4X内存,运行频率为4267MHz。树莓派还提供了多种连接选项,包括PCIe 3.0支持、千兆以太网接口以及多个USB端口,同时还可以通过蓝牙5.0实现无线通信(Richardson和Wallace,2012)。这些硬件提升了系统的连接性、性能和灵活性,使其成为实际应用中的理想选择(Upton和Halfacree,2012)。AI套件则通过支持高速存储和人工智能加速器,提升了人工智能和机器学习应用的功能。本研究中所使用的湿度传感器经过优化,能够在各种环境中保持稳定可靠的性能。为了使其适用于不同的环境,该传感器可以在10–30伏特的宽电压范围内工作,其检测范围可达5–80,000米。即使在恶劣环境下,它也能保持较高的精度和分辨率,确保测量结果的准确性。它的实时监测功能十分便捷,更新间隔仅为20秒。此外,它的平均无故障时间超过18,000小时,具有极高的可靠性。该系统还能抵抗过电压和电磁干扰等恶劣条件。在正常使用状态下,它的能耗非常低,仅为0.5瓦特(Lee和Lee,2005)。3.5 人工智能模型对于实时物体检测,YOLOv8架构依赖于单个神经网络。它在保持高精度的同时,也非常注重效率与速度。为了进一步提升物体检测的精度,YOLOv8相比之前的版本有了许多重大改进,比如引入了上下文聚合、特征融合以及空间注意力模块等先进技术(Du,2018)。考虑到资源限制和精度要求等因素,用户可以根据自身需求选择合适的模型,例如YOLOv8,它提供了多种骨干网络选项,包括CSPDarknet、ResNet和EfficientNet。正是这种灵活性,使得YOLOv8能够广泛应用于各种实际场景中。图8展示了数据集中的不同边界框以及尺寸分布情况,图9则展示了YOLOv8的架构。该模型主要由两个模块组成:一是负责从输入图像中提取特征的骨干网络,二是用于物体检测的头部网络。提取出的数据会传递到头部网络,该网络包含多个用于物体检测的模块,同时还包括用于预测类别置信度、生成边界框以及计算损失值的组件。这种多尺度预测能力是YOLOv8能够检测图像中不同大小物体的关键所在。下载:高分辨率图片(614KB)下载:全尺寸图片图8. 数据集图片的边界框及尺寸可视化。下载:高分辨率图片(1MB)下载:全尺寸图片图9. YOLO v8架构(Talaat和ZainEldin,2023)。YOLOv8模型无需使用锚点,它不会预测物体相对于已知锚点框的距离,而是直接估算物体的中心位置。无需锚点的检测方式减少了边界框的预测数量,从而加快了非极大值抑制算法的运算速度,而这一算法是用于筛选潜在检测结果的一项复杂后期处理技术(Soylu和Soylu,2024)。本研究针对DayLight和Night数据集中数据集边界不均匀的问题进行了研究。如图8所示,这些数据集的边界宽度差异很大,有的很窄,有的则很宽,这可能会导致训练过程中模型损失增加。为了解决这个问题,我们采用了一种聚焦于边界中心的技术,帮助模型更有效地收敛到全局最小值,从而加快学习速度。这一功能已被整合到YOLOv8模型中,该模型同时也采用了非极大值抑制算法。表4展示了在DayLight数据集和NightVision数据集上训练YOLOv8时所使用的配置参数。在第一张表格中,YOLOv8经过150个训练周期的训练,学习率为0.01,图像尺寸被调整为640x640像素,这是针对DayLight数据集的设置。第二张表格则列出了在NightVision数据集上训练YOLOv8时的参数,此时训练周期为240个,学习率降低到了0.001,图像尺寸仍保持在640x640像素。表4. DayLight和NightVision数据集对应的YOLOv8配置参数。参数值α值β值DayLightNightVision训练周期150240学习率0.010.001图像尺寸640640层数225225参数数量11 135 98711 135 987梯度值11 135 97111 135 971交并比0.70.8动量值0.9370.928在本文提出的算法1(附录)中,定义了一种用于实时应用的物体检测与消息传递系统,该系统专门用于检测大象。该系统使用经过微调权重修改后的YOLO物体检测模型来处理来自特定摄像头通道的视频帧。为了过滤掉置信度较低的检测结果,系统设置了0.8的置信度阈值。该算法在摄像头和模型初始化后会持续捕获图像并检测物体。若图像中检测到大象,便会通过预定义方式向指定接收端发送检测信号;若未检测到大象,则会发送相应消息。该算法能确保检测事件及时传递,从而便于采取恰当的响应措施。

3.6 评估指标与损失函数
为了解析模型性能并优化模型训练,人们会运用各类指标与损失函数来评估物体检测模型。这些工具有助于了解模型在复杂图像中精准识别和分类物体的能力。交并比(IoU)、平均精度(AP)以及平均平均精度(mAP)等指标对于衡量模型的准确性与效能至关重要。例如,IoU可反映预测的边界框与实际物体的匹配程度,进而体现模型定位物体的能力(Jiang等人,2022年)。而精确度、召回率与F1分数则更深入地分析模型性能,平衡误报与漏报问题:精确度表示所有阳性预测中正确的比例,召回率则表示所有实际存在的阳性样本中被正确识别的比例,F1分数则综合了这两项指标,能够在考虑误报与漏报的情况下给出更为均衡的评估结果(Yacouby和Axman,2020年)。这些指标能够揭示模型的优势与不足,指出训练过程中需要改进的地方,同时也有助于比较不同模型,确定最有效的架构,推动物体检测技术的发展。在训练过程中,还会使用分类损失、边界框回归损失以及距离-IoU损失等函数来提升模型性能。这些函数与评估指标相结合,能够帮助模型学习更有效的特征表示,减少物体检测与分类任务中的误差。

交并比(IoU):IoU是一种用于量化预测边界框与真实边界框重叠程度的指标,其计算公式为:
IoU = 交集面积 / 并集面积

平均平均精度(mAP):平均平均精度是在平均精度的基础上进一步发展而来的,它通过计算多个物体类别的平均AP值,为多类物体检测场景提供全面的性能评估。
mAP = 1 / C ∑C=1 CAPC
其中C为数据集中的查询数量,AP为某个查询对应的平均精度。

精确度、召回率与F1分数:精确度表示所有阳性预测中真正为阳性的比例,召回率则表示所有实际存在的阳性样本中被正确识别的比例,F1分数则是精确度与召回率的调和平均值,能够在兼顾误报与漏报的情况下对模型性能进行客观评估。
精确度 = 真正阳性数 / (真正阳性数 + 误报数)
召回率 = 真正阳性数 / (真正阳性数 + 漏报数)
F1分数 = 2 × 精确度 × 召回率 / (精确度 + 召回率)
其中真正阳性数指分类模型正确识别为阳性的样本,误报数指模型错误地将非阳性样本判定为阳性的情况,漏报数则指模型错误地将阳性样本判定为阴性的情况。

mAP50与mAP50–95:mAP50是指在IoU阈值为0.50时计算得出的平均平均精度,而mAP50-95则是将IoU阈值从0.50到0.95范围内的各值对应的mAP值取平均值,从而全面反映模型在不同检测难度下的性能表现。

分类损失(cls_loss):分类损失用于衡量预测的类别概率与真实类别标签之间的差异,会对模型出现错误类别预测的情况进行惩罚。

边界框回归损失(box_loss):该损失函数用于计算预测的边界框坐标与真实边界框坐标之间的差异,通过惩罚偏离真实边界框的情况,确保物体能够被精准定位。

距离-IoU损失(dfl_loss):该损失函数将IoU计算与距离指标相结合,进一步提升模型处理重叠物体以及检测小型物体的能力。

3.7 安全机制
在铁路系统中,安全机制至关重要(Xue等人,2014年)。这一概念意味着即便系统的所有组件出现故障,也必须确保安全不受影响(Wang,2017年)。例如在印度,列车上装有信号灯;一旦这些信号灯无法正常工作或没有发出灯光,列车司机就必须将其视为红色信号,以此保障安全。同样,铁路基础设施中的每一个组件或设备都必须具备安全机制,才能在任何情况下都符合安全标准。

WildlifeRailGuard模型通过三层全面的检测流程,确保各个组件都能实现安全运行。首先,系统会监测摄像头的性能,即每秒帧数,以便发现帧率下降或检测遗漏的情况。一旦出现此类问题,说明设备所连接的杆子可能存在故障,系统会立即发出警报。其次,系统会对硬件进行检测,确认发射器的信号以及Raspberry Pi的功能是否正常。如果发射器没有信号,或者Raspberry Pi无法更新数据库,系统就会显示杆子存在故障。最后,如果在任何情况下数据库连接完全中断,系统会显示杆子的编号,并通过返回布尔值来指示故障状态。通过这些针对硬件与软件故障的检测手段,WildlifeRailGuard能够实现稳定且安全的工作性能。

3.8 控制面板
图10展示了WildlifeRailGuard的控制面板,该面板对铁路工作人员而言极为重要,它能够提供实时可视化信息,提升他们对现场情况的了解程度,从而辅助决策。通过一系列功能,该面板可以提供有关铁路沿线大象活动的宝贵信息。铁路管理部门可以通过分析这些数据,找出大象聚集较为密集的区域,从而采取针对性的措施,保障野生动物与铁路运营的安全。

下载:下载高分辨率图片(492KB)
下载:下载完整尺寸图片
图10. 控制面板

• 实时大象检测:该功能通过在地图上使用散点图来展示大象的检测位置,每个标记都代表着某根杆子上检测到大象的位置,同时还会标注经纬度坐标。这有助于识别大象穿越铁轨时常用的路径,从而为培训副驾驶人员提供路线指引,进一步提升安全水平。

• 按杆子位置划分的大象检测数量:该部分通过条形图实时展示每根杆子上检测到大象的数量。它能够反映整体检测数量、杆子故障情况以及仍在正常工作的杆子数量,便于快速应对故障与实时检测结果,同时也能帮助快速生成调查报告。

• 3D实时大象检测与监控:该功能通过在地图上使用3D条形图来展示大象的检测情况,条形图的高度代表特定位置的大象数量,颜色编码则用于标示阈值,提醒工作人员注意那些大象可能较为密集的区域。这有助于了解问题的严重程度,便于开展调查与分析。

• 大象活动时间线:该部分以动态可视化的方式展示大象在铁路沿线的活动轨迹,能够清晰地呈现不同时段的活动情况。通过交互式时间轴,铁路工作人员可以选择特定的日期,查看各个杆子上的大象数量,从而有针对性地进行分析与决策。

WildlifeRailGuard控制面板是铁路管理部门的得力工具,它不仅能够保障野生动物与乘客的安全,还能通过分析动物的行为与活动规律,为野生动物保护工作提供有力支持。

4 结果与讨论
该模型的成功离不开摄像头、传感器以及发射器之间的无缝整合,其中最关键的部分则是运行在Raspberry Pi上的先进人工智能模型。这款人工智能模型拥有先进的算法与实时处理能力,是整个系统的核心,它能够精准、可靠地检测潜在威胁并作出相应响应。研究人员利用在不同光照条件下拍摄的大量大象数据,训练了两个YOLOv8模型——一个针对白天环境优化,另一个则针对夜间环境设计。

DayLight模型表现出色,其精确度达到了92%,召回率为99%。这表明该模型能够在白天数据集中准确识别大象,同时有效减少漏报现象。其平均平均精度(mAP50)更是高达99%,充分体现了该模型在精准定位与分类大象方面的强大能力(见图11)。在对DayLight模型进行验证时,其边界框损失为0.989,分布焦点损失为1.3153,这说明该模型在物体定位与边界框优化方面表现优异,其精确度为0.92741,显示出其在检测相关物体时的高准确性。

下载:下载高分辨率图片(757KB)
下载:下载完整尺寸图片
图11. DayLight模型的测试结果

此外,该模型在50% IoU阈值下的mAP50(B)值为0.93566,也体现了其在物体检测方面的强大性能(见图12)。NightVision模型同样表现良好,其精确度为99%,召回率为87%。虽然它的漏报率略高于DayLight模型,但它在低光条件下的大象检测能力依然值得关注,其mAP50值为92%,如图13所示。在对NightVision模型进行验证时,其边界框损失为0.90048,说明其边界框定位效果良好,分类损失为0.35737,表明其类别预测的准确性较高。同时,该模型的mAP50值高达0.99386,说明在50% IoU阈值下其性能几乎达到完美水平(见图14)。

下载:下载高分辨率图片(720KB)
下载:下载完整尺寸图片
图12. DayLight模型在验证数据上的测试结果
下载:下载高分辨率图片(841KB)
下载:下载完整尺寸图片
图13. NightVision模型的测试结果
下载:下载高分辨率图片(847KB)
下载:下载完整尺寸图片
图14. NightVision模型在验证数据上的测试结果

图15展示了两个模型在测试数据上的混淆矩阵,该矩阵表明DayLight模型在测试数据上的性能略占优势。在白天条件下,该模型具有很高的准确率,成功正确分类了1479张大象图像,但也存在一些误分类情况:有179张大象图像被错误地归类为背景,另有202张背景图像被错误地识别为大象。NightVision模型则能够正确分类196张大象图像,但由于存在少量误分类情况——3只大象和3张背景图像被错误分类,其整体准确率略有下降。

下载:下载高分辨率图片(212KB)
下载:下载完整尺寸图片
图15. 两个模型在测试数据上的混淆矩阵

我们在大象检测过程中观察到的漏报现象,主要源于作业环境中存在的一些常见且合理的挑战,尤其是在NightVision数据集中。其主要原因包括:在低光条件下,颜色与纹理信息会大幅丢失,迫使模型主要依赖大象的轮廓或形状来进行识别。而地形或植被的遮挡会进一步限制这种识别能力,此外,还有诸如原木或土堆之类的视觉干扰物,它们的外形与大象极为相似,也会增加识别难度。另外,检测远处或体型较小的大象,尤其是幼象,也极为困难,因为它们的外观不够清晰,可用的像素信息也很有限。这些都是在复杂光照条件下进行物体检测时面临的固有局限,也是导致数据集中出现漏报现象的重要原因。

为有效解决这些问题并提升检测精度,目前有一些基于研究方法的策略正在被应用。通过生成合成数据来实现基于形状的数据增强,可以减少模型对轮廓的依赖;通过困难示例挖掘技术来筛选那些难以识别的样本,提升模型对这些样本的处理能力;通过动态阈值调整的时间滤波技术——即时间集成伪标签选择方法,可以确保在低光条件下不同帧之间的检测结果保持一致;而通过引入特征金字塔网络与图像金字塔引导网络等多尺度特征提取技术,則可以提升对小型物体的检测能力。最后,通过对训练标注进行人工审核与修正,可以确保基础数据的质量。困难负样本挖掘技术则通过识别并纳入那些经常被错误分类的非大象样本,进一步提升模型性能,帮助模型更好地区分大象与那些容易混淆的背景元素。在训练集中加入纯负样本——即仅包含背景图像的样本——可以帮助模型准确识别出没有大象存在的场景,从而避免过度敏感。除了最大值抑制算法之外,还可以采用时间一致性检查以及帧级共识过滤等技术,通过聚合多帧的预测结果,来抑制那些短暂出现或孤立的误检测结果。通过对训练数据添加不同光照、地形与天气条件下的样本,可以增强模型的泛化能力。调整检测阈值则可以让模型给出更为保守的预测结果,不过这一操作需要谨慎处理,以避免遗漏真正的阳性样本。

研究人员对多种模型进行了性能对比,包括YOLOv8、YOLOv5、YOLO Nano、EfficientDet以及R-CNN等,其中YOLOv8的表现最为出色。尽管R-CNN在两种数据集上的性能都较为均衡,但其得分仍低于YOLOv8。DayLight模型在精确度方面表现极为出色,其精确度置信度得分达到了1.0,这意味着所有的检测结果都是准确的。该模型的F1分数为0.89,精确度与召回率之间达到了良好的平衡,在测试数据集上的召回率为0.97。其精确度-召回率曲线值为0.98,进一步体现了该模型在白天识别大象方面的整体效能(见图17)。这些结果的可视化展示(见图18)为了解该模型在特定图像样本上的表现提供了有力依据。下载:下载高分辨率图片(216KB)下载:下载完整尺寸图片图16. 不同检测模型的对比图。下载:下载高分辨率图片(372KB)下载:下载完整尺寸图片图17. DayLight模型在测试数据上的表现。下载:下载高分辨率图片(878KB)下载:下载完整尺寸图片图18. 各模型的预测结果。在我们的检测系统中,一个主要挑战在于处理可能影响其在现实场景中准确性与可靠性的边缘情况。由于植被或雾气等环境障碍物导致动物部分可见,常常会出现误检;为解决这一问题,我们使用部分可见性数据对模型进行训练,并通过多帧分析来提升情境识别能力。另一个挑战是小型野生动物或非目标物种被误判为大型动物,从而导致误报。针对这个问题,我们通过优化类别设置以及采用检测后的大小和运动过滤机制来解决。此外,轨道附近静止的野生动物也可能不会触发警报,这又是一个挑战;我们通过分析存在时长并预测移动路径来应对这一问题。再者,暴雨或浓雾等恶劣天气条件会降低检测精度,我们则通过使用具备红外功能的摄像头以及实时图像增强技术来加以克服。最后,鸟类或阴影等相似物体也可能使模型产生误判,我们通过增加训练数据的多样性并引入基于运动的验证机制来提升检测精确度。NightVision模型展现了出色的精确度,其精确度置信度得分达到0.98,这意味着所有检测结果都是准确的。该模型的F1分数也为0.98,在精确度与召回率之间取得了令人称道的平衡,测试数据上的召回率高达1.0。0.99的精确度-召回率曲线进一步凸显了该模型在夜间识别大象方面的强大能力,详见图19。下载:下载高分辨率图片(353KB)下载:下载完整尺寸图片图19. NightVision模型在测试数据上的表现。将WildlifeRailGuard部署在树莓派上用于实时检测大象,运行效果十分高效。在我们的测试中,系统的每秒帧数达到了30帧,这说明该方案完全适用于实时物体检测任务。不过需要指出的是,帧率会随着视频分辨率的不同而有所变化:较低分辨率通常能带来更高的帧率,而较高分辨率则可能因计算负荷增加而降低性能。发射器的相关测试结果(见图20)通过S参数图来展示天线的性能表现。图表中的x轴表示天线在不同频率下的S参数,单位为吉赫兹;y轴则表示S参数S11的幅值,单位为分贝,它反映了天线的反射系数。在特定频率下,较低的S11分贝值意味着天线与该频率下的馈线匹配良好,大部分信号都被传输而非反射。下载:下载高分辨率图片(254KB)下载:下载完整尺寸图片图20. S参数图。图21展示了天线的3D辐射图案。图中是一个带有辐射图案的彩色球体,这个球体很可能代表了天线在各个方向的辐射情况。球体表面的颜色梯度反映了天线在不同角度下所辐射的电磁波的相对强度。该图的x轴和y轴分别标记为Theta(度)和Phi(度),这类球面坐标常用于描述三维空间中的方向,其中Theta通常表示仰角(上下方向),而Phi则表示方位角(左右方向)。下载:下载高分辨率图片(221KB)下载:下载完整尺寸图片图21. 天线的3D辐射图案。这项研究的结果凸显了WildlifeRailGuard在实际应用中的巨大潜力。在大象检测方面,两种模型都展现出了较高的准确率,尤其是日间使用的模型性能极为出色。训练损失值与验证损失值之间存在细微差异,说明模型训练效果良好,既没有出现过拟合问题,也没有欠拟合现象。为了进一步提升铁路沿线的野生动物保护水平,这些研究成果为进一步改进和优化WildlifeRailGuard奠定了基础。5. 结论在当今快速发展的时代,交通领域的进步往往会给环境带来风险。铁路规模的扩张增加了列车与动物相撞的可能性,从而威胁到野生动物和人类的安全。WildlifeRailGuard通过将环境可持续性与人造技术创新相结合,提供了一种突破性的解决方案。与传统方法不同,它借助实时检测系统以及先进的深度学习算法来减少列车与动物的碰撞,从而保护野生动物的活动规律及其栖息地。虽然目前的系统主要着眼于防止列车与大象相撞,但它也有潜力扩展到其他动物物种以及不同的地理区域。为克服数据方面的限制,我们可以运用生成对抗网络和数据增强技术来提升数据集的质量和多样性。为改善用户体验,我们还将推出功能更完善的控制面板,以便用户随时了解系统运行状况。通过整合Zero-Shot物体检测模型Grounding DINO,可以实现全球范围内的自动检测,从而减少人工干预的需求。WildlifeRailGuard凭借其高效性、成本效益以及应对基础设施发展与野生动物保护之间复杂挑战的适应性,成为了可持续发展领域极具竞争力的解决方案。作为一种创新方案,Wildlife Rail Guard系统也存在一些可能影响其效率的局限性。其中一个显著的问题是鸟类或过度生长的植被可能会遮挡摄像头的视野,从而在摄像头视野中形成盲区。此外,浓雾和暴雨等恶劣天气也会严重影响视线,降低系统有效识别大象的能力。为提升Wildlife Rail Guard系统的效率,我们可以进一步利用云计算技术实现系统集中化管理。如果能够建立这样的基础设施,就可以在云端更新人工智能模型,无需在现场管理树莓派设备。这种方式还能将监控和数据分析功能集中在一台服务器上,让铁路管理部门能够全面掌握大范围区域的野生动物活动情况。这些改进将有助于实现系统的高效稳定运行,减少停机时间,降低整体维护成本,并且能够从统一的可靠数据源获取更有价值的决策依据。此外,若能将热成像相机、激光雷达、雷达等技术与普通摄像头结合使用,就能在能见度较低的条件下显著提升检测性能。像NVIDIA Jetson Nano这类新兴的AI计算设备,有望大幅提升计算能力,从而为野生动物检测提供更快速的硬件解决方案。这些升级措施旨在提高系统的可靠性、扩展其适用范围,并进一步提升其在防止列车与动物相撞方面的效能。归根结底,这些进步都有助于同时保障动物和铁路运输的安全,推动长期的可持续发展。相关数据可应要求提供。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号