YOLO-FSD：一种用于复杂自然环境中朱鹮（*Nipponia nippon*）检测与分割的轻量级深度学习框架

《Smart Agricultural Technology》：YOLO-FSD: A Lightweight Deep Learning Framework for Crested Ibis ( Nipponia nippon) Detection and Segmentation in Complex Natural Environments

　　

朱鹮（*Nipponia nippon*）作为珍稀濒危物种，需要精准监测以支撑有效的生物多样性保护与生态管理。然而，在复杂的自然环境中，受姿态变化、背景杂乱、遮挡以及个体间高度相似等因素影响，朱鹮的自动检测与分割仍面临挑战。为应对上述问题，本研究基于YOLOv11n提出了一种改进模型YOLO-FSD，以实现鲁棒的朱鹮检测与分割。具体而言，该模型在骨干网络中引入C3K2模块与自适应细粒度通道注意力（fine-grained channel attention, FCA）模块，以增强细粒度特征表示；在颈部网络中引入语义增强注意力模块（semantic-enhanced attention module, SEAM），以改善遮挡条件下的多尺度特征融合；此外，采用基于GIoU的非极大值抑制（GIoU-based non-maximum suppression, GIoU-NMS）优化密集场景下的候选框选择。实验结果表明，YOLO-FSD的检测平均精度均值（mean average precision, mAP）达到92.5%，检测精确率为92.8%，召回率为91.2%，F1分数为92.0%，同时保持了仅383万（3.83 million）的紧凑参数量。消融研究进一步证实，FCA、SEAM与GIoU-NMS的引入对自然环境下性能提升具有显著贡献。热力图可视化表明，YOLO-FSD模型在遮挡与复杂背景条件下能够更强烈地聚焦于朱鹮区域。与主流检测与分割模型相比，YOLO-FSD在保持相对较低计算复杂度的同时取得了更优的精度。此外，在HZHY-AI300G边缘设备上部署时，YOLO-FSD取得了84.9%的mAP^Box和84.5%的mAP^Mask，验证了其在边缘设备部署方面的有效性。上述结果表明，该模型为野外朱鹮监测提供了一种高效且可部署的解决方案，为濒危鸟类的智能化监测提供了有价值的技术支撑。

**一、研究背景与意义**

朱鹮（*Nipponia nippon*）是全球公认的濒危物种，也是野生动物保护领域最具标志性的成功案例之一。自1981年在中国陕西省洋县重新发现仅7只野生个体以来，经过四十余年的持续保护，其种群数量显著恢复，分布范围也从秦岭南坡逐步扩展至长江流域。作为中国国家一级保护动物及世界自然保护联盟（International Union for Conservation of Nature, IUCN）列为濒危的物种，朱鹮对生态系统健康具有敏感的生物指示作用，其生存依赖清洁的浅水湿地、适宜的巢址及相对稳定的生态条件。随着保护重点从种群恢复转向精细化的栖息地管理与长期生态监测，传统的人工野外调查、鸟类环志和目视计数等方法已逐渐暴露出效率低、时间连续性受限、结果依赖观察者经验等局限。深度学习的快速发展为野生鸟类监测提供了新的技术途径，但现有研究多集中于声学监测或图像级分类，针对朱鹮的端到端检测与实例分割研究仍相对不足。朱鹮栖息地具有姿态变化大、个体间外观高度相似、植被遮挡、水面反射、光照多变以及群体聚集导致的重叠遮挡等复杂特征，对现有视觉模型构成了严峻挑战。为此，研究人员基于YOLOv11n构建了名为YOLO-FSD的轻量级深度学习框架，旨在复杂自然环境中实现朱鹮的鲁棒检测与分割，为实时生态监测、栖息地评估和濒危鸟类保护管理提供技术支持。该研究发表于《Smart Agricultural Technology》。

**二、YOLO-FSD模型总体设计**

YOLO-FSD以YOLOv11n为基础架构，遵循特征提取、多尺度特征融合、注意力增强、分割预测与后处理的统一流程。模型在骨干网络中融入C3K2模块与自适应细粒度通道注意力（FCA）模块，以增强不同姿态下的细粒度纹理与轮廓表征；在颈部网络引入语义增强注意力模块（SEAM），通过空间-通道联合建模改善遮挡条件下的多尺度特征融合；同时以GIoU-NMS替代传统非极大值抑制（NMS），优化密集场景中候选框的筛选，减少因目标重叠导致的漏检。

**三、关键技术方法概述**

研究数据采集于陕西汉中朱鹮国家级自然保护区及其周边区域（107°21′–107°44′E，33°08′–33°35′N），覆盖约37549公顷范围，涉及洋县与城固县。研究人员于2020至2025年间使用佳能EOS R6及R5 Mark II相机配100-500mm长焦镜头，在约20米拍摄距离下进行自然状态下的图像采集，共获得5860幅有效图像，涵盖觅食、飞行、栖息、理羽、亲代抚育及群栖等十余种行为类别。数据涵盖多季节、多天气（晴、阴、雪）及多时段（早、中、晚），以增强光照、气候和栖息地背景的多样性。图像由三位朱鹮保护领域专家使用LabelMe平台进行独立多边形标注并交叉验证，不一致处通过共识修订解决；数据集按6:2:2划分为训练集、验证集和测试集，并采用分层抽样以减少分布偏差。模型在Ubuntu 20.04、Intel Core i9-10900K CPU、32GB内存及NVIDIA RTX 3090 GPU（24GB）环境下，基于PyTorch 1.12实现，采用分阶段冻结-解冻训练策略、余弦退火学习率调度与早停机制完成训练。训练集应用了旋转、平移、缩放、HSV色彩扰动及随机翻转等数据增强手段，验证集和测试集不做增强。

**四、研究结果**

**4.1 朱鹮检测与分割结果**

在包含1172幅自然场景图像的测试集上，YOLO-FSD在边界框检测方面取得92.8%的精确率（P^Box）、91.2%的召回率（R^Box）、92.0%的F1分数（F1^Box）及92.5%的mAP^Box；在实例分割方面，P^Mask、R^Mask、F1^Mask和mAP^Mask分别为92.3%、90.7%、91.5%和92.0%。模型保持384层、383万参数及52.6 GFLOPs（十亿浮点运算次数）的紧凑结构，服务器端推理速度达30帧/秒。定性结果表明，YOLO-FSD在巢址场景的遮挡条件下能精确勾画目标轮廓，在异质背景飞行场景中保持准确检测，对小尺度目标及多物种共存场景均表现出较强的抗干扰与类别区分能力。

**4.2 消融实验**

为定量评估各组件贡献，研究人员设置了八种消融配置。基线YOLOv11n的mAP^Box为84.8%、mAP^Mask为83.1%。单独引入FCA使mAP^Box和F1^Box分别提升2.7和3.2个百分点，mAP^Mask和F1^Mask分别提升2.8和3.3个百分点；单独引入SEAM的单模块增益最大，mAP^Box和F1^Box分别提升4.4和4.6个百分点，mAP^Mask和F1^Mask分别提升4.6和4.7个百分点；以GIoU-NMS替代传统NMS使mAP^Box和mAP^Mask均提升2.0个百分点，F1指标均提升2.3个百分点且不增加可训练参数。完整YOLO-FSD模型对比基线在框级别上提升7.7（mAP^Box）和8.0（F1^Box）个百分点，在掩膜级别上提升8.9（mAP^Mask）和9.1（F1^Mask）个百分点，证明特征提取、语义增强和后处理三阶段的协同优化至关重要。

**4.3 热力图可视化结果**

研究人员采用Grad-CAM（梯度加权类激活映射）对比分析YOLO-FSD与基线YOLOv11n的注意力分布。在包含不同姿态和复杂背景纹理的样本中，YOLOv11n的激活区域较为分散，部分注意力分配至非目标背景区域；而YOLO-FSD生成的激活区域更紧凑且聚焦，强响应集中于朱鹮身体区域；在目标与周围环境高度相似的场景中，YOLOv11n出现激活减弱或错位的现象，YOLO-FSD则能有效分离目标与背景，在正确区域产生强且定位准确的激活。可视化结果证明YOLO-FSD具有更强的目标导向注意力以及对遮挡和背景模糊的鲁棒性。

**4.4 对比实验结果**

在相同测试集上，研究人员将YOLO-FSD与Mask R-CNN、RT-DETR、YOLOv5s、YOLOv6s、YOLOv7-tiny、YOLOv8s、YOLOv11n、SAM及SAM2共九种代表性方法进行对比。Mask R-CNN的mAP^Box和mAP^Mask分别为86.0%和84.7%，RT-DETR为88.9%和87.7%；SAM与SAM2虽然掩膜精度较高（mAP^Mask分别为88.9%和90.6%），但参数量分别高达641M和315M，推理速度仅为4和9帧/秒。YOLO-FSD以92.5%的mAP^Box和92.0%的mAP^Mask取得最高精度，相比SAM2在mAP^Box和mAP^Mask上分别提升1.3和1.4个百分点，同时参数量分别较Mask R-CNN、RT-DETR、SAM和SAM2减少40.17M、28.17M、637.17M和311.17M，且达到30帧/秒的推理速度，在精度与效率之间实现了更优平衡。定性对比中，YOLO-FSD有效抑制了复杂背景区域的误检，对小尺度、密集及部分遮挡个体保持了完整且准确的掩膜输出。

**4.5 边缘设备测试结果**

研究人员将YOLOv11n与YOLO-FSD的PyTorch权重转换为开放神经网络交换（ONNX）格式，部署于HZHY-AI300G边缘计算设备（4核Cortex-A76/A55 CPU，8GB LPDDR4X内存，支持4G LTE、蓝牙5.0及双频Wi-Fi）。在1172幅测试图像上，YOLOv11n的P^Box、R^Box、F1^Box、mAP^Box和mAP^Mask分别为84.2%、81.5%、82.8%、82.4%和80.8%；YOLO-FSD则分别达到88.3%、85.1%、86.7%、84.9%和84.5%，较YOLOv11n分别高出4.1、3.6、3.9、2.5和3.7个百分点。YOLO-FSD的推理速度为10帧/秒（YOLOv11n为22帧/秒），但检测和分割精度全面占优。边缘部署实验结果确认了YOLO-FSD在跨平台迁移后仍保持精度优势，适用于优先考虑检测准确率与漏检率降低的监测场景。

**五、讨论与结论**

讨论部分指出，朱鹮自然栖息地检测的主要挑战集中在遮挡（群体聚集与环境遮挡）、背景干扰（植被、水面反射、光照变化）以及姿态与外观的高变异性。YOLO-FSD通过对挑战性样本的可视化验证，证明了其在抑制干扰、适应尺度变化及保持部分遮挡条件下目标响应的鲁棒性，其中C3K2-FCA模块强化了目标判别特征提取，SEAM模块提升了遮挡感知的语义表征，GIoU-NMS策略改善了密集多目标场景中候选框的保留。失败案例分析显示，在混栖水边场景中非目标鸟类或形状相似的背景物仍可能引起误检，在低对比度远距离农业背景下的小目标以及在目标距离远、边界信息弱的情况下仍可能出现漏检或不完整分割。未来工作可从增加混栖场景与低对比度远距离样本数量、设计针对小目标与弱边界的增强策略、引入上下文感知实例分离机制以及利用视频多帧时序信息等方面着手，以进一步提升复杂自然栖息地中朱鹮检测与分割的可靠性。

研究结论部分总结如下：针对复杂自然环境中强背景干扰、严重遮挡、显著姿态变化和密集分布带来的朱鹮分割与检测挑战，研究人员基于YOLOv11n提出了名为YOLO-FSD的轻量级高精度模型。该模型集成C3K2-FCA模块、SEAM模块与GIoU-NMS策略，在细粒度特征提取、遮挡感知语义增强和密集场景后处理三个层面实现协同优化。实验结果表明，YOLO-FSD在测试集上取得92.8%的P^Box、91.2%的R^Box、92.5%的mAP^Box、91.5%的F1^Mask和92.0%的mAP^Mask，同时维持383万参数与52.6 GFLOPs的紧凑架构。消融实验确认了各组件的独立贡献与协同效应，其中SEAM贡献了最大的性能增益，完整模型将mAP^Box从84.8%提升至92.5%（提升7.7个百分点）。对比评估表明，YOLO-FSD以显著更低的计算成本持续优于多种现有先进方法，非常适合部署于资源受限的嵌入式系统，用于野外朱鹮监测任务。