通过智能微弱感知技术在卫星图像中进行鲸鱼识别与体型估算

《Expert Systems with Applications》:Whale Identification and Size Estimation in Satellite Imagery via Intelligent Subtle Perception

【字体: 大 中 小 】 时间:2025年12月15日 来源:Expert Systems with Applications 7.5

编辑推荐:

  保护海洋生态需加强鲸类监测,传统方法成本高且易受环境影响。本研究通过数据增强(含ClusterGAN)扩充卫星图像数据集,并改进YOLOv9模型引入TripletAttention机制,提升复杂海域的鲸类检测精度至mAP0.5=0.89,同时利用空间分辨率估算个体尺寸,成功监测夏威夷等区域活动规律。

  
王思琪|黄宝翔|米莱娜·拉登科维奇|陈戈
中国青岛大学计算机科学与技术学院

摘要

保护鲸鱼对于维护生态平衡至关重要,因为它们是海洋生态系统中的关键组成部分。传统的检测技术,如声学技术和视觉观测,成本高昂、效果不佳且容易受到环境因素的影响。尽管卫星遥感技术为鲸鱼监测提供了更全面的视角,但由于海洋环境的复杂性和数据集的稀缺性,仍存在诸多挑战。幸运的是,深度学习正成为一种强大的工具,能够加速各种跨学科应用中的精细感知优化,实现高精度和实时的海洋观测。本文提出了一种综合方法,利用先进的人工智能和数据增强技术,在卫星图像中实现鲸鱼的检测和体型估算,以克服这些挑战。首先,采用多种技术(包括灰度处理、高斯噪声添加、随机翻转和裁剪、直方图均衡化、图像叠加以及聚类生成对抗网络)生成合成图像,以扩充鲸鱼卫星数据集。其次,通过添加TripletAttention(TA)模块来改进检测模型,从而在复杂的海洋环境中实现更准确的特征提取和检测性能。利用扩充后的数据集训练模型,获得了0.89的mAP0.5分数,表明该模型在鲸鱼检测方面具有很高的准确性。接下来,利用图像的空间分辨率来估算发现鲸鱼的体型,为生物学研究提供了宝贵的数据。最后,该方法被应用于特定区域(如夏威夷)的鲸鱼活动监测,证实了12月至4月期间鲸鱼活动达到高峰。这项研究支持了人工智能在大型海洋物种检测中的有效应用。

引言

鲸鱼是海洋生态系统健康的关键调节者(O’Connor, Campbell, Cortez, & Knowles, 2009)。除了作为“海洋生态系统工程师”的生态作用(Roman et al., 2014)外,它们还通过碳封存和营养物质循环利用带来显著的经济价值(Chami, Cosimano, Fullenkamp, Oztosun, 2019, Jenkins, Van Houtan, 2016)。然而,鲸鱼种群正面临来自船只撞击、噪音污染和气候变化的日益增加的威胁(Liu, Lin, Dong, Caruso, Li, 2022, Nisi, Welch, Brodie, Leiphardt, Rhodes, Hazen, Redfern, Branch, Barreto, Calambokidis, Clavelle, Dares, de Vos, Gero, Jackson, Kenney, Kroodsma, Leaper, McCauley, Moore, Ovsyanikova, Panigada, Robinson, White, Wilson, Abrahms, 2024)。尽管国际鲸鱼委员会(IWC)采取了保护措施,但最近鲸鱼数量的下降凸显了有效监测策略的迫切需求(Boulent et al., 2023)。
传统的检测方法,如基于船只的调查和声学技术,资源消耗大且受空间限制(Charry, Marcoux, & Humphries, 2018)。卫星遥感技术提供了一个可扩展的替代方案(Li et al., 2020),但面临数据稀缺和环境干扰(例如波浪、云层覆盖)等挑战,这些因素常常导致误识别(Shao, Wu, Wang, Du, & Li, 2018)。此外,由于投影失真,从二维卫星图像中估算鲸鱼体型仍然很困难(Stewart, Hudson, Sherbo, & Watt, 2024)。
为了解决这些挑战,本文提出了一种新的鲸鱼检测和体型估算方法。主要贡献包括:
  • •
    数据集扩充:我们利用ClusterGAN和传统的数据增强技术(灰度处理、噪声注入、翻转)生成合成鲸鱼图像,以缓解数据稀缺问题。
  • •
    模型改进:通过添加TA机制,使检测模型能够捕捉复杂海洋环境中的细微空间和上下文线索。
  • •
    实际应用:该方法应用于Google Earth图像进行热点监测,实现了在高分辨率下的稳定识别和准确体型参数化。
  • 本文的其余部分回顾了相关工作(第2节),详细介绍了方法论(第3节),报告了实验结果(第4节),并提出了未来研究方向(第5节)。

    章节片段

    基于卫星的鲸鱼检测

    高分辨率(VHR)卫星图像使得大规模海洋哺乳动物监测成为可能(Bamford et al., 2020)。早期的方法依赖于人工解释(Liu & Li, 2021)或信噪比分析,这些方法劳动强度大且缺乏鲁棒性(Abileah, 2001)。自动化过滤策略(Cubaynes, Fretwell, Bamford, Gerrish, Jackson, 2019, Fretwell, Jackson, Ulloa Encina, H?ussermann, Perez Alvarez, Olavarría, Gutstein, 2019)提高了效率,但仍存在不足。

    方法论

    本研究旨在通过一个智能的精细感知流程,在卫星图像中实现可靠的鲸鱼识别,该流程包括三个紧密耦合的部分:(i)正式的问题定义;(ii)结合真实图像增强和基于GAN的合成技术的统一数据集构建过程,以解决数据稀缺和低对比度问题;以及(iii)一个系统级的检测器WST-YOLOv9,它整合了多尺度融合和TripletAttention(TA)以及一个辅助的可逆分支。

    数据来源

    本研究使用的数据集由Cubaynes和Fretwell在2022年编制,包含633张VHR卫星图像,这些图像标注了鲸鱼的存在情况,分为“确认”、“可能”或“疑似”(Corrêa, Quoos, Barreto, Groch, & Eichler, 2022)。数据涵盖了南露脊鲸、座头鲸、长须鲸和灰鲸四种鲸鱼,拍摄地点包括阿根廷、新西兰、南非、美国和墨西哥,使用的平台包括WorldView-3、WorldView-2、GeoEye-1和QuickBird-2。

    结论

    本研究提出了一种基于WST-YOLOv9模型的鲸鱼检测方法,该方法结合了ClusterGAN来构建增强后的标注WS数据集和注意力机制。通过调整模型参数,我们提高了模型在卫星图像中检测鲸鱼的能力。本研究的主要结论如下:
    1) 通过将多种数据增强策略应用于原始的228张真实卫星图像,我们成功构建了一个更加多样化的WS数据集。这些策略包括

    ORCID信息

    通讯作者:黄宝翔博士 ORCID信息:0000-0002-0380-419X

    CRediT作者贡献声明

    王思琪:概念构思、方法论设计、初稿撰写、可视化处理、形式化分析。黄宝翔:撰写、审稿与编辑、资源协调、项目监督、资金获取。米莱娜·拉登科维奇:撰写、审稿与编辑、验证。陈戈:项目监督、资源协调。

    披露声明

    作者声明他们没有已知的竞争性财务利益或个人关系,这些因素可能影响本文的研究结果。

    数据可用性声明

    支持本研究发现的训练和测试数据集可从GitHub仓库获取(https://github.com/WSiqiqi/WSDataset)。用于训练和验证的原始卫星图像的可用性受到限制,这些图像是经许可专门为本研究获取的,不对外公开。部分数据可在合理请求并获得Google Earth、Arkive或NOAA Photo的书面许可后获取。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系,这些因素可能影响本文的研究结果。
    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