基于YOLOv12深度学习的猫头鹰食团骨片自动分类框架及其在啮齿类动物监测中的应用

本研究针对传统猫头鹰食团骨片分类方法效率低下、依赖专家经验的问题，开发了基于YOLOv12目标检测架构的深度学习框架。研究人员通过978张标注图像训练模型，实现对啮齿类头骨、股骨、下颌骨和耻骨的自动识别（mAP@0.5=0.984），并开发Python推断脚本估算种群数量。该AI辅助工作流程显著提升生态监测效率，为生物多样性评估和害虫综合治理（IPM）提供创新技术支撑。

　　

在农业生态系统中，啮齿类动物既是生物多样性的重要组成部分，又是造成重大作物损失的农业害虫。传统监测方法如活体诱捕不仅效率低下，还会对动物造成应激。猫头鹰（Tyto alba）食团分析作为一种非侵入性监测手段，通过分析食团中的骨骼残骸可以推断猎物组成和数量。然而，传统骨片分类方法存在严重瓶颈——需要训练有素的专家花费大量时间进行人工鉴定，且结果易受主观判断影响。随着东南亚地区稻作和油棕种植园中啮齿类危害加剧，开发高效准确的监测技术显得尤为迫切。

马来西亚理科大学（Universiti Sains Malaysia）联合印度尼西亚国家研究与创新局（BRIN）的研究团队，在《Scientific Reports》发表了一项突破性研究。他们首次将YOLOv12目标检测架构应用于猫头鹰食团中的啮齿类骨片自动分类，建立了包含978张标注图像的数据库（含头骨、股骨、下颌骨和耻骨四类），开发出精度达0.90、召回率0.90的深度学习模型。研究证实该技术可显著提升监测效率，为生态研究和害虫管理提供标准化工具。

研究采用三项关键技术：1) 从马来西亚槟城和印尼茂物采集的猫头鹰食团样本处理，包括水化分离和乙醇消毒；2) 使用智能手机采集骨片图像并通过Roboflow平台进行数据增强，最终构建含2,644个标注骨骼的数据集；3) 基于YOLOv12架构开发检测模型，采用100轮训练周期和640×640像素输入分辨率，并开发Python推断脚本实现种群数量自动估算。

【结果】

训练过程显示模型在100轮训练后达到稳定状态，各类损失函数持续下降。F1-置信度曲线分析确定0.666为最佳置信阈值，此时F1-score达0.97。模型在测试集上表现出色：mAP@0.5达0.982，mAP@0.5:0.95为0.803。分类准确率方面，股骨（98%）、下颌骨（97%）、耻骨（96%）和头骨（100%）均保持高识别率，但存在将背景误判为股骨的现象（48%假阳性）。

【模型验证】

跨地域测试表明模型在马来西亚和印尼样本中均表现良好。研究者开发的双重数量估算策略：以头骨计数作为保守估计，配对骨骼（如双侧股骨）作为补充指标，有效解决了头骨缺失时的估算难题。

这项研究标志着深度学习在食团分析领域的成功应用。YOLOv12模型展现出处理复杂生物样本的卓越能力，其高效率（单次分析仅需5分钟）和可重复性克服了传统方法的局限性。虽然存在对小碎片（<1cm）检测灵敏度不足和背景误判等挑战，但该技术已为生态监测开辟了新途径。特别值得关注的是，研究团队公开了所有数据集和代码，为后续研究提供宝贵资源。这项成果不仅推动非侵入性监测技术的发展，更通过AI与生态学的交叉融合，为应对农业害虫和生物多样性保护的双重挑战提供了创新解决方案。