中文引用格式: 鲍高宏,李康,曾松伟. 基于YOLO-DGS的香榧林入侵动物识别模型研究[J]. 电子技术应用,2026,52(11):58-63.
英文引用格式: Bao Gaohong,Li Kang,Zeng Songwei. Research on an animal identification model for invasive species in torreya plantation based on YOLO-DGS[J]. Application of Electronic Technique,2026,52(11):58-63.
引言
香榧,也称中国榧,是榧属植物中经人工嫁接栽培而成的优良品种的统称[1],仅分布在我国北纬27°~32°亚热带丘陵山区[2],在会稽山区的诸暨、磐安和柯桥等地广泛种植,香榧种仁具有丰富的营养和较高的保健功能[3]。随着香榧产业发展,香榧林开始挤占山林与耕地,影响了部分动物的栖息地和食物链;同时,国家已将野生动物保护列为重点施政举措。这一系列行为导致野猪等野生动物种群结构与活动范围变化,并开始大量繁殖[4-5];因山林被挤占等现实原因,野猪开始频繁地出现在人类生活区和作物种植区[6-7]。野猪在浙江省全域均有分布且基数较大,建德等多地常出现野猪拱食香榧树的情况,造成巨大的经济损失。
随着野猪等动物种群数量增加,食物需求也随之增加,与原生态森林接壤的香榧林等经济作物便成为食物的首选,可通过目标识别技术进行动物识别,再结合多种驱赶方式动态组合的防护策略进行香榧林智能防护。当前,中国动物识别技术正置身于充满挑战的浪潮之中,亟待提高识别的实时性、准确性以及在多变环境下的适应性。杨帆[8]研究并对比了一些目标检测领域的经典方法,在YOLOv3的基础上添加ECA(Efficient Channel Attention)注意力机制,不仅能保持高效的检测能力,并且显著提高准确率。雷远彬[9]为解决红外监测图像存在空图像多、回收难度大、人工分拣图像效率低等问题,提出一种基于YOLOv5改进的算法,模型引入Focal-EIOU(Focal-Efficient Intersection over Union)边界框回归损失函数,并分别在特征提取网络与特征融合网络中和添加SE(Squeeze and Excitation)模块,算法平均精度为97.6%,为野生动物监测保护和相关技术的发展提供思路。Bakana等[10]提出了一种更快、更小的YOLOv5版本,引入改进型StemBlock结构,采用焦点EIOU为损失函数提升评估推理过程中边界框预测精度,并基于BiFPN(Bidirectional Feature Pyramid Network)构建颈部结构,相比于原模型的帧率提升了17.65%,模型参数减少28.55%,浮点运算量降低50.92%。
目前,基于图像处理和深度学习方法的动物识别已经有一些相关研究,但在自然环境下应用仍存在一些问题。首先,野猪等动物生活环境和活动时间具有不确定性,导致采集的图像存在数据质量低、类别不均、数目总量偏少等问题,对模型的训练与修改造成困难。实际应用中面临单目标、多目标、复杂环境背景等多种情况,为解决香榧林入侵动物的识别问题,本文提出一种基于YOLO-DGS的香榧林入侵动物识别模型,以YOLOv11n为基线模型,通过改进模型卷积结构和引入注意力提高识别模型在复杂背景下对不同动物目标的识别能力,最终实现模型部署并在自然环境中进行香榧林入侵动物精准识别,为香榧林防护智能化提供理论基础。
本文详细内容请下载:
https://www.chinaaet.com/resource/share/2000007346
作者信息:
鲍高宏1,李康2,曾松伟2
(1.浙江农林大学 数学与计算机科学学院,浙江 杭州 311300;
2.浙江农林大学 光机电工程学院,浙江 杭州 311300)

