基于人工智能的主动防护框架，用于保护农场动物免受夜间捕食者的侵害

《European Journal of Wildlife Research》：AI-Based proactive framework for protecting farm animals from nocturnal predators

基于红外夜视的多阶段机器学习反盗猎系统通过YOLOv8-DeepSORT实时跟踪与BiLSTM-SVM时序形态融合检测，实现97.2%精度和96.8%召回率的精准预警，优于传统模型。

　　

摘要

夜间捕食行为仍然是畜牧业生产中的一个重大问题，尤其是在农村和资源匮乏的地区，传统的防护措施（如物理屏障或人工观察）往往无法提供足够的保护。为了解决这一反复出现的问题，我们推出了夜间捕食者检测与警报系统（Nocturnal Predator Detection and Alerting System，简称NPDAS）。该系统是一种实时、可部署在边缘设备上的人工智能系统，专为支持红外夜视功能的视频流而设计。与传统基于热成像的技术不同，NPDAS仅使用红外摄像头，并采用了一种轻量级但功能强大的多阶段机器学习流程，以实现自主捕食者识别和早期预警。系统首先集成改进版的YOLOv8模型进行低光环境下的初始目标检测，然后利用Deep SORT算法进行实时目标跟踪。随后，双向长短期记忆网络（BiLSTM）被用来提取和分类与捕食者行为相关的动态特征（如步态和移动模式），从而检测出类似捕食者的动作。同时，支持向量机（SVM）也被用来分析基于轮廓的形态学特征以辅助分类决策。最后，通过融合两种分类器的预测结果，在连续帧中持续检测到捕食者时触发警报。在经过精心挑选的夜视数据集上的测试表明，该系统的捕食者识别精度达到97.2%，召回率为96.8%，对牲畜的特异性为98.1%。此外，NPDAS的精度和实时响应能力明显优于文献中提到的其他捕食者检测算法（YOLOv5、YOLOv7、Faster R-CNN、SSD和RetinaNet）。该系统能够以经济的方式扩展应用范围，有效保护夜间环境中的牲畜，提升动物福利，减少经济损失，并增强农业生产对捕食者的抵御能力。