基于计算机视觉的小熊猫行为识别：为濒危物种保护带来新曙光

研究人员针对小熊猫行为监测难题，构建数据集并用改进 YOLOv8 模型识别行为，提升监测效率助力保护。

　　# 小熊猫行为识别研究：计算机视觉技术为濒危物种保护助力
在神秘的山林中，小熊猫（Ailurus fulgens）这一濒危的树栖哺乳动物正面临着严峻的生存挑战。栖息地的不断丧失，如同一片片乌云笼罩着它们的家园，使得它们的生存空间愈发狭窄。同时，各种健康风险也如影随形，高发病率和死亡率时刻威胁着它们的种群延续。在这样的困境下，小熊猫的一些异常行为，像社交活动减少、运动量降低以及睡眠不足等，往往成为潜在健康问题的重要信号。

传统监测小熊猫健康状况的方法，需要工作人员耗费数月时间收集和分析它们的粪便及其他排泄物，不仅成本高昂，而且效率低下。而计算机视觉技术的兴起，为解决这一难题带来了新的希望。然而，此前该技术在小熊猫保护领域的应用面临诸多阻碍。一方面，缺乏高质量的标注数据集，使得模型训练缺乏足够的 “养分”；另一方面，现有的模型在检测小目标时能力不足，面对复杂的自然环境，泛化能力也十分有限，并且多数方法需要大量计算资源，难以在边缘设备上实现实时行为监测。

为了突破这些困境，四川农业大学信息工程学院以及雅安数字农业工程技术研究中心的研究人员开展了一项极具意义的研究。他们构建了小熊猫行为数据集，并提出了一种改进的轻量化高效 YOLOv8 模型用于小熊猫行为识别。这项研究成果发表在《Scientific Reports》上，为小熊猫保护事业开辟了新的道路。

研究人员在此次研究中运用了多种关键技术方法。在数据集收集方面，他们在小熊猫的自然栖息地（中国西南部的碧峰峡野生动物世界）巧妙地部署了运动激活相机陷阱，同时借助网络爬虫技术，最终获取了 3142 张图像组成原始数据集。之后，通过 Labelme 软件对图像进行手动标注，并按照 7:3 的比例划分为训练集和验证集。在数据预处理阶段，采用 “随机旋转” 技术增强数据，同时利用自适应直方图均衡化（CLAHE）改善图像质量。在模型构建上，引入 GMBottleNeck 模块和 SimAM 注意力机制对 YOLOv8 模型进行优化，并融入多尺度特征学习提升小目标检测能力。

模型训练成果显著

研究人员对 YOLOv8s、YOLOv8s - DE 和改进的 YOLOv8 - Red Panda 模型进行训练。在训练过程中，精心设置各项参数，如批处理大小设为 20，权重衰减率为 0.0005，初始学习率为 0.01。结果显示，改进后的 YOLOv8 - Red Panda 模型表现卓越，平均分类准确率达到 90.6%。在对 “睡眠” 行为的分类准确率为 0.89，F1 分数分析表明该模型在各个类别中表现出色，整体 F1 分数为 0.87，在精度和召回率之间达到了良好的平衡。与原始 YOLOv8s 模型相比，mAP 值显著提高了 20.5%；与数据增强的 YOLOv8s - DE 模型相比，mAP 值提升 1.4%，同时模型大小减小了三分之一。

改进策略效果良好

为验证所提改进策略的有效性，研究人员进行了一系列消融试验。结果表明，数据增强能提高模型的准确率、召回率和 mAP 分数；GMBottleNeck 模块虽能减少参数数量，但单独使用可能无法有效捕捉复杂特征，SimAM 注意力机制可能过度关注细节而忽略其他关键特征，而将二者结合并融入多尺度特征学习，能相互弥补不足，提升模型性能。

模型性能优势突出

与其他经典模型相比，YOLOv8s - Red Panda 模型在 mAP 分数上表现更优。通过集成 GMBottleNeck 模块和 SimAM 注意力机制，它对小目标和复杂环境的适应性更强。在推理效率和轻量化方面，超越了如 DETR 和 Faster R - CNN 等复杂模型；在泛化能力和捕捉行为细微差别方面，优于 SSD 和 EfficientDet - b1 等模型。

研究构建了小熊猫行为数据集，提出的改进 YOLOv8 - Red Panda 模型在小熊猫行为识别上展现出强大的性能，为小熊猫的行为监测和健康评估提供了有力支持。不过，该研究也存在一定局限性。数据来源于人工栖息地，小熊猫在自然栖息地的行为更为复杂多样，模型应用到野外环境时面临挑战；并且研究基于静态图像，实际应用中视频数据处理的相关研究较少。但这一研究成果仍具有重要意义，不仅为小熊猫保护提供了新的技术手段，还有望应用于其他野生动物的行为监测，助力生态研究、动物行为学研究以及人与自然互动的研究，推动动物保护事业的发展。未来，研究人员计划进一步分析小熊猫个体的外部特征，并与图像分类算法相结合，以准确识别小熊猫的年龄阶段，为小熊猫保护工作提供更精准的支持。