捕食者-猎物遭遇检测（PrED）模型：利用计算机视觉和机器学习检测轮虫与藻类之间的相互作用

《Ecology and Evolution》：The Predator–Prey Encounter Detection (PrED) Model: Detecting Interactions Between Rotifers and Algae Using Computer Vision and Machine Learning

　　

理解物种相互作用对于理解生态系统功能和预测干扰如何影响社会所获得的服务至关重要。然而，营养相互作用的分析需要大量时间和资源投入。利用半固着轮虫与运动藻类的简单捕食者-猎物配对，捕食者-猎物遭遇检测（Predator–Prey Encounter Detection, PrED）模型旨在利用计算机视觉和机器学习技术简化和半自动化物种相互作用的视频分析。基于Ultralytics YOLOv5架构并实现SORT跟踪，PrED模型能够估算藻类密度并生成带有时间戳的“潜在遭遇”日志，使研究人员能够快速浏览视频。经过模型验证和测试步骤，PrED模型取得了超过90%的精确率（Precision）和召回率（Recall）得分。通过减少分析物种相互作用视频所需的时间，PrED模型将节省研究人员的时间，并作为研究浮游生物动态的高效工具。

研究人员在《Ecology and Evolution》期刊上发表了关于捕食者-猎物遭遇检测（Predator–Prey Encounter Detection, PrED）模型的研究。物种相互作用是生态系统功能和服务的基础，但传统分析手段需要大量时间与资源。视频数据的行为评分通常依赖人工逐帧扫描，效率低且易受主观影响。计算机视觉（Computer Vision, CV）和机器学习（Machine Learning, ML）在生态学中的应用多集中于物种检测、分类和追踪，尚未被广泛应用于相互作用检测。微观水生捕食-猎物系统因可在显微镜下快速观察且易于控制条件，成为开发CV/ML工作流的理想平台。因此，研究人员以半固着轮虫（Philodina sp.）和运动藻类（Cryptomonas erosa）为模式系统，开发了PrED模型，旨在自动化或半自动化检测捕食者与猎物的遭遇，并估算猎物密度和丰度。

该研究基于Ultralytics YOLOv5架构并集成SORT（Simple Online and Realtime Tracking）跟踪算法，使模型能区分轮虫和藻类，当藻类进入轮虫冠部感知区域时记录“潜在遭遇”并生成带时间戳的日志。模型经训练和验证后，取得了超过90%的精确率（Precision）和召回率（Recall），表明其能有效检测目标。PrED模型显著缩短了视频分析时间，为浮游生物相互作用研究提供了一种高效工具。更重要的是，该研究为缺乏计算机科学背景的生态学家如何将CV/ML方法融入自身工作提供了路线图，推动了生态学分析方法的现代化。

主要技术方法：研究人员从加州理工学院百合池塘采集蛭形轮虫，并使用长期培养的C. erosa（来自德克萨斯大学埃尔帕索分校Elizabeth Walsh实验室）作为猎物。利用Zeiss显微镜以25帧/