基于无人机影像与YOLO模型结合的深度学习流水线用于潮间带种群动态监测

《Ecological Informatics》：A deep learning-based pipeline combining UAV imagery and YOLO models for intertidal population dynamics monitoring

　　

沿海生态系统是生物多样性热点，但日益增加的人为压力使其变得脆弱。由此引发的生态系统退化引起科学界与地方群体的关注，呼吁建立监测体系。在此背景下，遥感技术成本下降推动其应用增长，尤其是无人机（Unmanned Aerial Vehicle, UAV）航空成像。然而，基于深度学习的图像分析在沿海生态学仍有限，特别是潮间带种群动态监测。现有方法常依赖高劳动强度的原位采样，限制空间与时间尺度。研究人员开发了一套UAV-深度学习流水线用于监测小型隐蔽潮间带物种，克服传统方法局限，并以Arenicola marina的粪便丘（faecal cast）为案例演示该方法。工作流程结合两个You-Only-Look-Once（YOLO）模型分别进行目标检测与实例分割，以估算种群丰度与大小结构。模型在标注有粪便丘、幼体丘（recruit cast）及丘管（cast tube）的UAV高分辨率图像上训练。检测模型精度（precision）与召回率（recall）超80%。实例分割模型引入检测过滤先验以降低假阳性比，测得约8600个粪便丘中超28700条丘管，人工与自动测量强相关。相比传统方法，UAV-深度学习法将调查面积扩大2.5倍，样本数增90倍，显著降低采样工作量。

研究背景方面，沿海生态系统虽仅占全球海洋与咸水环境一小部分，却提供供给、调节与文化服务，同时面临气候变化、海岸工程、过度捕捞与污染等前所未有的压力。传统沿海监测依赖大量专业人员完成采样、实验与统计分析，成本高昂且空间时间分辨率受限。遥感从卫星到静态传感器虽推进生态学向大数据科学发展，但沿海动物群研究（如潮间带隐蔽无脊椎动物）仍多依赖原位挖掘，难以兼顾丰度与大小结构的高通量获取。UAV因成本下降与高分辨率成像能力成为海岸调查有力工具，而卷积神经网络（Convolutional Neural Network, CNN）在动物识别上优于随机森林等传统机器学习，但CNN与UAV结合用于潮间带动物种群动态的研究仍稀缺。以Arenicola marina（一种筑U形穴、排泄沙堆状粪便丘的生态系统工程师）为例，传统以粪便丘丰度代理种群量、以丘管直径代理个体大小，但耗时且空间覆盖小。研究人员因此提出一套非侵入、可复现的UAV-YOLO流水线，集成目标检测（YOLOv11x-obb）、实例分割（YOLOv8x-seg）、逆距离权重（Inverse Distance Weighting, IDW）插值，实现丰度与大小结构同步估计。该文发表于《Ecological Informatics》。

关键技术方法上，研究人员于法国Wimereux宏潮沙滩（样本队列：2025年3月至2026年4月跨天气条件的四轮评估航拍）以DJI Matrice 4E（RGB广角，4/3英寸CMOS）在距地1米（分割，≈4像素/毫米）与2米（检测，≈2像素/毫米）飞行采集；用MIA软件像素级标注粪便丘、幼体丘、丘管、退化丘，转YOLO格式并将5280×3956像素图裁为640×640瓦片；检测模型Arekiss-det（YOLOv11x-obb）分三阶段从头训练与微调（SGD，lr0=0.01，batch=16，各400轮），置信阈值0.4，幼体丘辅以人工筛除足迹假阳性；分割模型Arekiss-seg（YOLOv8x-seg）同样三阶段训练，先以Arekiss-det过滤含丘瓦片，再对丘管掩膜骨架化算半径，以DBSCAN（epsilon=50像素，min_feature=1）聚类归并至粪便丘，直径由像素经标定方程转毫米；最后用IDW（power=4）空间插值丰度。

研究结果部分，3.1检测模型（Arekiss-det）显示验证集粪便丘精度0.81、召回0.791，mAP50=0.838；评估集经后处理粪便丘精度0.975、召回0.911，幼体丘精度自0.705升至0.812、召回微降至0.783。2025年7月实施中检得79967粪便丘（98.6%过阈值）与12521幼体丘，IDW显示高密度区达335 ind/m²，幼体仅分布于上滩峰值90 ind/m²。3.2分割模型（Arekiss-seg）未过滤时仅识49%丘管且78%假阳性为丘管；Arekiss-det过滤后瓦片选择精度自51.48%升至95.63%，丘管测量真阳性率94.99%，粪丘聚类对应真丘90.07%，分裂误差13.48%、合并误差0.94%；自动与手动直径线性回归y=1.04x–0.48（调整r²=0.88，RMSE=0.67像素≈0.17毫米），实施中日测28784条丘管覆8595粪丘（均3.35管/丘），78.33%管径1.4–2.4毫米。3.3经典对比显示UAV-YOLO调查面积270750平方米（传统110000），样本数升20–90倍，人力降至1人，单潮周期完成，非侵入，推理后处理5小时。

讨论部分指出，Photogrammetry与随机森林在沙结构计数上受海洋垃圾与脚印干扰高估，Arekiss-det以CNN过滤碎片达精度召回超0.9，确认CNN适隐蔽动物丰度估算；后处理半自动校正使面积扩至270750平方米并首估幼体丰度。实例分割与检测串联提取毫米级形态，为Arenicola种群时空动态建模奠基。相较De Cubber等（2018）挖取30个体/点，本研究单日获8595丘径测，峰值335 ind/m²较既往61 ind/m²高系采样于补充后。局限包括低潮后须成像、丘未全成或风浪退化致低估、1米飞行避障难、幼体仍半自动、Arekiss-seg掩膜自动关联待改进、Arenicola defodiens未单列类。结论部分译文：本研究呈现首批面向沿海生态系统种群动态分析的UAV-深度学习流水线之一。检测与分割框架支持个体计数、丰度估计、感兴趣区过滤与专项测量。所给实例分割代码通用，略改即提面积、周长、轴长等指標，便他研适配。经缩减采集时间与人力，微调模型在扩面同时提空间分辨率。