基于计算机视觉的密集蚁群自动计数与觅食行为解析新方法

研究人员针对传统人工计数蚂蚁效率低、误差大的问题，开发了基于YOLOv11n/m和RT-DETR-L的计算机视觉(CV)工作流，结合切片辅助超推理(SAHI)技术，实现了实验室与野外场景下密集蚁群的高精度检测(最高mAP@0.5达95.4%)。该研究通过三阶段实验证明：仅需64张标注图像即可实现50.6-88.2%的检测精度，而SAHI优化可将超密集场景(单图1200+蚂蚁)检测性能提升至81%。特别值得注意的是，该系统成功应用于病毒侵染蚁群的行为监测，揭示了传统方法难以捕捉的时空动态模式。相关模型与代码已开源，为行为生态学、害虫防控等领域提供了高效解决方案。

在生态学研究中，蚂蚁作为典型的社交昆虫，其群体行为蕴含着丰富的生物学信息。然而传统人工计数方法在面对数万帧实验图像时，不仅耗时费力，更难以捕捉微观尺度下的行为细节。尤其当蚁群密度高达每图1200只个体时，重叠、遮挡等问题使得准确计数几乎成为不可能完成的任务。这种技术瓶颈严重制约了科学家对蚁群觅食行为、病毒传播影响等关键问题的深入研究。

为突破这一限制，Virginia Tech的研究团队在《Ecological Informatics》发表了创新性研究成果。该研究构建了一套硬件无关的计算机视觉(CV)工作流，通过整合YOLOv11n/m和RT-DETR-L等先进检测器与切片辅助超推理(SAHI)技术，实现了从稀疏到超密集场景的全谱系蚂蚁检测。研究团队设计了三个关键实验：首先系统评估了不同训练数据量(64-1024张图像)对模型性能的影响，发现背景复杂度是影响检测精度的关键因素；其次创新性地采用SAHI技术处理超密集图像，使检测性能从近乎无效提升至81% mAP@0.5；最后将系统应用于病毒侵染蚁群的长期监测，首次揭示了病毒对觅食路径的厘米级空间扰动。

关键技术方法包括：1) 使用GoPro相机搭配15X微距镜头构建标准化图像采集系统；2) 采用YOLO格式标注1579张包含不同密度蚁群的图像；3) 开发基于贝叶斯优化的SAHI参数自动调谐算法；4) 建立高斯推断模型生成蚁群活动热力图。

研究结果显示：在样本量研究中，256张训练图像可使相似背景下的检测精度达80%以上，而复杂背景需要1024张图像才能达到72.2%。模型架构比较表明，RT-DETR-L在复杂背景下比YOLOv11m性能高出7.7%。SAHI优化实验证实，采用分块数4、重叠率0的参数组合可实现81.8%的mAP@0.5，处理速度达2.26 FPS。在病毒侵染实验中，系统成功捕捉到SINV-3病毒导致的觅食节律改变，每日活动峰值降低达26%。

讨论部分指出，该技术的创新价值体现在三个方面：方法学上首次实现SAHI在超密集小目标检测中的定量优化；应用上为病毒-宿主互作研究提供了时间分辨率达分钟级的新工具；生态学意义上揭示了蚁群对病毒感染的行为响应存在"空间热点"。作者特别强调，虽然RT-DETR-L性能最优，但YOLOv11n仅2.6MB的模型尺寸使其可在树莓派等边缘设备部署，这对野外长期监测具有重要实践价值。研究开源的Ant Detective网络应用(https://ant-detective.streamlit.app)进一步降低了技术使用门槛，将推动计算机视觉在微观生态学研究中的普及应用。