人工智能与野生动物保护融合：基于基因验证图像的野猫分类研究

《Ecological Genetics and Genomics》：Bridging AI and wildlife conservation: Classifying wildcats from genetically validated images

　　本研究针对欧洲野猫(Felis silvestris)与家猫(Felis catus)杂交威胁野猫种群生存的生态问题，开发了基于卷积神经网络(CNN)的野猫分类系统。研究人员通过整合相机陷阱、路杀样本和研究团队采集的真实世界图像，构建了包含WC/HY/DC三类猫的基因验证数据集，采用MobileViTv2等轻量化架构实现了81%的分类准确率，并开发了离线移动应用。该成果为野猫保护提供了可重现的现场工具，推动了AI在生态保护领域的实际应用。

　　

在欧洲的森林和田野中，生活着一种神秘而优雅的生物——欧洲野猫(Felis silvestris)。这种体型中等(3.7-4.9千克)的猫科动物虽然被世界自然保护联盟(IUCN)列为"无危"物种，却面临着一种隐形威胁：与家猫(Felis catus)的杂交。这种基因渗入现象已经导致苏格兰地区的野猫种群功能性灭绝，当地个体大多已成为杂交后代。更令人担忧的是，杂交问题并非孤立现象，从葡萄牙、西班牙到法国、德国，再到瑞士和意大利，欧洲多国都发现了野猫与家猫的杂交个体。

传统上，研究人员依赖遗传分析来准确鉴定野猫、杂交猫(HY)和家猫(DC)。但获取野猫样本极具挑战性，因为野猫种群密度低，非侵入性采样方法(如毛发陷阱和粪便收集)往往只能获得少量个体样本。在基因技术普及之前，科学家们主要通过颅骨指标、肠道长度等解剖学测量，以及被毛标记特征(如Gularis、Occipitalis-Cervicalis、Dorsalis、Caudalis四个诊断区域)来区分这三类猫。虽然遗传与形态学分析显示出一致性，但形态学分类的可靠性高度依赖观察者的专业知识和图像质量，使得结果难以重现。

为了解决这一保护生物学难题，来自意大利卡塔尼亚大学的研究团队开展了一项跨学科合作研究，将人工智能技术与野生动物保护需求相结合。他们开发了一套基于卷积神经网络(CNN)的图像分类系统，能够准确区分野猫、杂交猫和家猫，相关成果发表在《Ecological Genetics and Genomics》期刊上。

研究团队采用了多项关键技术方法：首先使用YOLOv12模型对初始图像进行筛选，保留清晰可辨的猫图像；随后比较了五种轻量级CNN架构(MobileNetV2、MobileNetV3-Small、MobileNetV3-Large、InceptionV3和MobileViTv2)在平衡数据集上的性能；最佳模型进一步在基因验证数据集上测试，并针对移动设备优化，开发了离线可用的移动应用。数据集来源包括欧洲野猫研究网络、意大利公民科学项目、作者个人采集图像以及Kaggle数据库中的户外家猫图像。

3.1. 架构描述

研究人员测试了五种CNN架构，重点关注其在移动设备上的效率和准确性平衡。MobileNetV2通过线性瓶颈和倒残差结构保持计算效率；MobileNetV3通过自动优化技术和手动改进(如h-swish激活函数)进一步提升性能；InceptionV3采用多尺度卷积并行提取特征，表征能力强但参数较多；MobileViTv2结合卷积局部特征提取和变换器的全局上下文建模能力，在保持效率的同时提供更丰富的特征表示。结果显示，MobileViTv2-150在平衡数据集上达到86.00%的最高准确率，但考虑到移动部署的实用性，研究人员最终选择了在准确率和复杂度之间取得更好平衡的架构。

3.2. 数据集描述

研究构建了两个独立数据集：初始数据集包含3,392张图像(WC=1,738；HY=461；DC=1,193)，经YOLOv12过滤后保留2,518张图像(WC=1,201；HY=461；DC=856)；基因数据集仅包含经遗传分析确认身份的猫图像(WC=50；HY=50；DC=50)。数据集来源多样化，包括欧洲野猫研究网络、公民科学项目、作者实地采集和公开数据库，确保了数据的代表性和真实性。对图像亮度、对比度和饱和度的探索性分析揭示了不同猫类在视觉特征上的细微差异，为模型优化提供了方向。

4. 结果

在平衡数据集上，MobileViTv2-150以86.00%的准确率领先，但在基因数据集上测试时准确率降至71.00%。当使用更大的不平衡数据集重新训练后，基因数据集上的准确率提升至81.00%，表明扩大数据集可有效补偿类别不平衡问题。混淆矩阵分析显示，模型对DC类和WC类的识别较为准确(分别为87%和83%)，但对HY类的识别精度较低(72%)，这主要源于HY类样本数量有限和形态特征的过渡性。训练动态显示模型收敛稳定，未出现明显过拟合。

研究团队进一步开发了集成YOLOv8n目标检测和MobileViTv2分类的两阶段移动应用。检测阶段快速筛选含猫图像，分类阶段提供三类概率分布，并结合Grad-CAM热力图可视化模型决策依据，增强结果的可解释性。系统要求中高端移动设备以保证流畅运行，但保留在低端设备上的基本功能。

5. 讨论

这项研究通过计算机科学家、野猫研究者和公民科学家的协同合作，成功开发了用于野猫分类的创新模型。与传统的生态信息学研究相比，该工作的创新性在于将便携式识别工具与保护生物学需求紧密结合，特别是针对具有挑战性的杂交鉴定问题。移动应用的离线功能使其特别适合野外实地使用，降低了生态数据采集的门槛。

模型在HY类上相对较低的准确率反映了该类别固有的鉴定难度：杂交猫的形态特征介于野猫和家猫之间，且可用图像数量有限，多数为兽医尸检时的侧腹位或腹位照片，姿势多样性不足。然而，与单纯依赖专家目视鉴定相比，81%的整体准确率已显示出实际应用价值，特别是考虑到其在移动设备上的部署能力。

研究的生态学意义在于为大规模野生动物监测提供了标准化工具。通过将人工智能嵌入移动技术，非专业人士也能为野猫保护提供可靠数据，支持基于证据的保护规划。未来工作将集中于扩展数据集(特别是HY类)、优化混合检测算法，以及基于用户反馈完善系统。尽管隐私约束限制了训练图像的完全公开，但模型权重和实现管道将可供验证和扩展，符合开放生态数据科学的最佳实践。

这项研究不仅为野猫保护提供了实用的技术工具，也展示了人工智能在解决复杂生态问题中的潜力。通过跨学科合作和技术创新，研究人员为濒危物种保护开辟了新途径，为未来类似研究树立了标杆。随着数据集的扩大和算法的持续优化，这一系统有望成为欧洲野猫保护的标准工具，为遏制杂交威胁、保护生物多样性做出实质性贡献。