基于监控视频的飞鸟目标检测数据集 FBD-SV-2024：突破检测算法瓶颈的关键资源

《Scientific Data》：FBD-SV-2024: Flying Bird Object Detection Dataset in Surveillance Video

为解决现有飞鸟检测数据集无法满足监控视频飞鸟检测算法开发需求的问题，研究人员开展了 FBD-SV-2024 数据集构建及相关算法实验研究。结果表明该数据集对现有算法仍具有挑战性。这为监控视频飞鸟检测算法发展提供了重要支撑。

　　在我们的日常生活中，鸟儿虽常见，却可能给人类的生产生活带来诸多麻烦。比如在机场，飞鸟可能引发鸟击事件，威胁飞机安全；在农田，它们会啄食庄稼，影响农作物收成；在变电站，鸟粪还可能导致短路跳闸，影响电力供应 。为了应对这些问题，“检测 - 驱赶” 模式应运而生，其中飞鸟目标检测是关键一环。

传统的雷达检测方法虽有高检测精度、长检测范围和受天气影响小等优点，但也存在诸多缺点，如成像不直观，不利于人工查看，而且设备成本高昂，难以在电网防鸟、农业等领域广泛应用。随着深度学习技术的发展，基于计算机视觉的飞鸟检测系统凭借低成本、易部署和易维护等优势崭露头角。不过，其发展离不开合适的数据集支持。然而现有的鸟类数据集，由于任务或场景不同，其中的飞鸟目标并不具备监控视频中飞鸟的典型特征，无法满足监控视频飞鸟检测算法的开发需求，这严重制约了该领域检测方法的进步 。

为了解决这些问题，西南交通大学的研究人员开展了相关研究，构建了一个专门针对监控视频的飞鸟目标检测数据集（FBD-SV-2024），并对先进的（视频）目标检测算法在该数据集上进行实验，相关成果发表在《Scientific Data》上。

研究人员在构建 FBD-SV-2024 数据集时，主要采用了以下关键技术方法：首先，在靠近田野的建筑物五楼安装立杆，并在杆顶安装可 360 度旋转、支持变焦的球形摄像机（海康威视 DS-2DE7232IW-A），在 2023 年 12 月至 2024 年 5 月期间持续调整角度和焦距，采集监控视频，之后手动筛选并剪辑出含有飞鸟目标的视频片段。其次，将视频片段按两种命名规则提取为视频帧，方便后续标注和模型训练。最后，利用开源工具 “labelImg” 对飞鸟目标进行标注，经过三轮标注，添加目标难度等级和目标 ID 等信息，并划分出训练集和测试集。

下面来看具体的研究结果：

1. FBD-SV-2024 数据集特征：经观察分析发现，该数据集中的飞鸟目标具有多种特性。在单帧图像中，部分飞鸟目标特征不明显，人工判断难度等级为 2 或 3 的情况占所有飞鸟目标的 36.7%；飞鸟目标分布较为稀疏，多数图像含一两只飞鸟，还有许多图像不含飞鸟；目标尺寸普遍较小，约 94% 的飞鸟目标尺寸在 10×10 像素至 70×70 像素之间；飞鸟飞行时外观变化大，且视觉上不对称、不规则。
2. 技术验证：研究人员采用了多种先进的目标检测算法在 FBD-SV-2024 数据集上进行实验，涵盖基于图像的目标检测方法（如 YOLOV5L8、YOLOV6L10 等）和基于视频的目标检测方法（如 FGFA¹⁵、SELSA¹⁶等） 。实验结果显示，在检测精度 AP₅₀方面，专门针对监控视频飞鸟检测的 FBOD-SV³¹表现最佳，达到 71.9% 。但总体而言，当前各类检测方法在处理该数据集时仍面临诸多挑战，如定量评估指标低，预测推理过程中误报和漏检情况较多。

综合研究结果，研究结论和讨论部分表明，FBD-SV-2024 数据集为监控视频飞鸟检测算法的开发和性能评估提供了有力支持，同时也揭示了现有检测方法的不足。这有助于推动研究人员进一步改进算法，更加注重有效利用历史视频帧信息，考虑正负样本不平衡问题，以及应对小目标、不规则形状和飞行中外观变化等挑战，对促进监控视频飞鸟检测技术的发展具有重要意义。