Accelerated development and deployment of computer vision models for invasive aquatic pests
Rose A. Pearson · Gareth Preston · Jeremy Bulleid 等 7 人
提出一套开发与部署水生入侵物种计算机视觉模型的实用框架，并在新西兰三种入侵物种上验证。
基于水面船与遥控平台图像，小数据集训练、实时检测与标准化野外验证。
框架能实现实时准确检测，并在真实野外条件下稳健评估模型效果。
可迁移至农业入侵生物监测，探索小样本跨平台模型与野外标准化评估体系。
提出面向水生入侵物种的计算机视觉模型开发与部署框架，含多物种实地验证，方法新颖且具生物安全应用价值，但属新西兰案例，对国内农业信息化影响有限。
摘要 水生外来非本土物种（NIS）在全球范围内造成显著的文化、环境和经济损失，而人工监测成本高昂且难以大规模实施。部署在远程和自主载具上的计算机视觉模型（CVM）可减轻对训练有素的人类观察者的依赖，但水生环境面临独特挑战，且缺乏以生物安全为重点的开发和部署框架。我们提出了一个实用框架，用于开发和部署新的物种特异性CVM，以在水面船只和远程载具平台上实时使用。我们通过将该框架应用于新西兰多个在分类学和生态学上具有多样性的NIS来展示其效用：地中海缨鳃虫 Sabella spallanzanii、南非氧草 Lagarosiphon major 以及外来Caulerpa（Caulerpa brachypus 和 C. parvifolia）。对于 S. spallanzanii，我们展示了从小型数据集进行高效训练并部署用于实时检测。利用外来Caulerpa，我们展示了CVM如何在入侵早期响应期间快速改进。对于 L. major，标准化野外验证方法使得能够在不同地点和操作条件下比较CVM与人类检测率。总体而言，这些案例研究表明，我们的框架能够在现实野外条件下实现准确检测和对模型有效性的稳健评估，并可有效应用于来自多个平台的图像。