人工智能识别与人工识别红外相机动物影像准确率分析:以上海大金山岛猕猴监测为例

红外野生动物相机影像人工智能识别已成为生态学与人工智能交叉学科研究的热点之一.为探究人工智能识别红外相机动物影像的准确率及其影响因子,比较人工智能识别与人工识别的差异.以上海大金山岛猕猴(Macaca mulatta)监测为例,应用YOLO v3 模型进行训练与测试,探讨YOLO v3 模型识别大量红外相机图像的可行性.同时,对比人工智能图像识别与人工识别的准确率与识别效率,找出特定样本容量条件下识别方式的最优解.对 11106 张照片的识别结果表明,人工智能识别总准确率为 69.0%,均值为 68.2%;人工识别总准确率为99.0%,均值为 99.1%.人工识别准确率显著高于人工智能识别准确率(t=-9.256,df=22,P<0.01).简单生境背景的人工智能识别准确率显著高于复杂生境背景(Z=-2.270,P=0.023).简单生境背景的人工识别准确率与复杂生境背景无显著差异(Z=-0.406,P=0.685).因此,人工智能识别更适用于生境及背景简单的红外影像,但需谨慎用于识别复杂生境的背景.同时,人工智能识别可用于对大量照片的初筛.人工识别可用于识别复杂生境背景的照片和对人工智能初筛后照片的复核.对于万张级的样本量,人工智能并未显示出明显的时间优势,人工识别反而具有准确率优势.随着各类训练数据集的不断建立与开放应用,对于大型脊椎动物,特别是一些公众熟知的明星物种的人工智能识别可能会率先代替人工识别.