候鸟调查是鸟类生态学研究和保护管理的基础，随着科技发展，雷达、无人机、卫星跟踪等新技术的广泛应用于候鸟调查研究，虽然一定程度的弥补传统调查方法的不足，但如何对大范围环境下，快速对候鸟种类，数量做到精确识别的路上，还有很多问题待解决。

在这里我们以“天枢遥感智能视觉平台为例”介绍“AI和无人机照片”结合进行候鸟计数调查的基本能力的测试。

测试数据情况

4张无人机拍摄的鸟群活动区域图片，将其依次命名为bird1、bird2、bird3、bird4：

作业路线

样本集制作

1、鸟种分类

因图片分辨率较低，且测试人员缺少动物保护相关专业经验，故仅对图片中涉及到的鸟类根据自定义规则划分成以下4类：

2、样本标注

将4张图片上传至天枢-遥感智能视觉平台，利用平台标注工具对图片中鸟类开始标注。

3、训练集、测试集划分

将样本集中的4张图片划分训练集和测试集，其中bird2、bird4用作训练集，bird1、bird3用作测试集。

注：训练集用于模型训练，测试集用于检验训完的模型效果。

模型训练

利用天枢平台中的模型训练—目标识别算法模块，配置训练参数，提交训练任务。

模型测试

模型训练完成之后，利用天枢平台的遥感解译功能，对bird1、bird3两组测试集进行解译，得出结果如下：

成果总结

1、效率统计

2、精度统计

注：准确率=模型正确识别出的鸟数量/模型识别出的鸟总数量 （包括鸟位置的正确性）

召回率=模型正确识别出的鸟数量/人工标注的鸟总数量 （包括鸟位置的正确性）

说明：部分鸟的类别由于数量稀少，故结果占比较大，导致分数较低。

3、成果截图

bird1测试集成果截图：

bird3测试集成果截图：

4、后续改进计划

（1）当前图片分辨率偏低，人工做样本标注时，无法清晰的区分更多鸟的种类或状态。如对分类规则的边界不清晰不明确，则训练出的模型效果难以保证。后续可以通过增加无人机拍摄照片的分辨率来丰富其它鸟类别的识别，提高样本标注质量和模型精度。

（2）当前各类别样本数量不均衡，一定程度上会影响模型的训练结果。后续可通过增加不同场景下各种鸟类的样本，进一步增强模型的泛化性能和精度。

5、总结

本次测试，通过天枢-遥感智能视觉平台模型自训练能力， 1人1天时间，完成从样本的清洗、标注到模型的训练、测试和发布的全流程工作。经分析，利用2组训练集训出的模型在另两组测试集上的表现综合来看效果良好，不分类的条件下准召率均能达到94%以上，分4类的条件下各类别的平均准确率也能够达到90%。因此，本次测试能够证明利用基于AI的天枢平台可大幅度提高自然保护区鸟类监测识别的生产效率和识别精度。

——————————————————————

为何要数候鸟？这是保护候鸟及其栖息地的重要依据。一来鸟类数量与其濒危状态评估相关，二来鸟类拥有强大飞行能力，可以快速、主动选择高质量、低风险的生活环境，通过统计候鸟种类、数量可以反映某一区域环境质量变化，在这过程中从业者的目的不变，方式上我们愿意提出更好的技术上，降低这个过程中的重复工作。

本文引用：

【候鸟成群飞，数量如何计 — 中国科学院】
http://www.cas.ac.cn/kx/kpwz/202201/t20220113_4822056.shtml