本研究提出了一种利用人工智能的独立式野猪自动捕获系统，以减少野猪造成的损害。首先，开发了一种使用低成本微控制器的数据采集设备，该设备能够运行深度学习模型并配备紧凑型传感器。基于实际现场采集的图像数据，构建了使用YOLO算法的轻量级模型。训练后的模型直接部署在微控制器上，实现了尺寸与传统追踪相机相当的边缘人工智能（edge AI）识别设备。该识别设备与现有捕获机制和箱式陷阱集成，创建了一个选择性自动捕获系统，仅在野猪完全进入陷阱时触发。此外，还开发了一种新型自动投喂器以提高投喂效率，并引入了紧凑型太阳能电源系统，从而实现了完全独立于外部电源的独立式系统。现场实验证实，所提出的系统能够准确识别陷阱内的野猪并可靠地执行自动捕获操作。此外，该系统稳定运行超过一个月无故障，证实了该独立式野猪自动捕获系统的有效性。
**论文解读：基于边缘人工智能的独立式野猪自动捕获系统及其在岛屿地区的现场验证**
**研究背景与问题**
近年来，日本各地因野猪、鹿、猴子等野生动物造成的农业损害报告增多。2023年日本农林水产省调查显示，野生动物对农作物造成的损失约达1.04亿美元，其中野猪占主导。野猪为寻找食物而扩大栖息地，森林砍伐和土地利用变化使其难以获得充足食物资源，同时栖息地逼近人类生活区，导致人兽冲突加剧，甚至影响交通安全和社会基础设施。日本政府已将野猪和日本鹿列为重点管理野生动物，采取安装电围栏、加强捕获等措施，但面临狩猎许可证持有者减少且老龄化的问题，捕获数量不足，野猪种群增长未得到有效遏制。在岛屿地区，地理限制使捕获操作和维护所需的人员和物资不足，定期巡逻和维护负担沉重，因此开发可自动操作、减少人力依赖的捕获技术成为关键挑战。现有方法如箱式陷阱依赖人工操作和巡逻，存在非目标动物误捕、捕获效率不稳定等问题；红外传感器自动捕获系统成本高昂（初始成本超过1000美元），且远程监控需持续观察，操作负担大；诱饵如米糠需每日现场补充，在老龄化农村社区中尤为困难。基于相机陷阱和深度学习的图像识别研究虽已用于野猪监测，但多数未将识别输出直接连接到自动门触发，且缺乏将低成本微控制器边缘AI部署、顶部视角捕获决策、自动投喂和独立太阳能电源集成到可现场部署的箱式陷阱系统中的研究。因此，本研究旨在开发一种集成边缘AI识别、自动投喂和独立电源的完全自动捕获系统，并在岛屿环境进行现场验证。该论文发表在《Algorithms》期刊上。
**主要技术方法**
研究人员采用以下关键技术：1）基于低成本AMB82-mini微控制器的数据采集设备，集成相机模块、PIR传感器、红外照明和继电器模块，置于防水防尘塑料盒中，尺寸与商用追踪相机相当；2）使用YOLOv7-tiny算法构建轻量级识别模型，训练数据包括野猪、幼野猪、浣熊、空陷阱等7个类别，共3363张图像（2945张训练，418张验证），模型部署前转换为UINT8格式的.nb文件（4.87 MB），在微控制器上实现边缘AI推理；3）捕获决策算法：定义陷阱内的决策区域，仅当检测到目标动物完全进入该区域且满足连续5帧确认条件时，通过继电器控制电磁锁释放，关闭陷阱门；4）自动投喂器：基于商用线标记底盘（标称容量7.5 kg）和12 V蜗轮电机，通过旋转机构定量投喂米糠，每日一次约30秒，可连续运行7-10天；5）独立电源系统：25 W太阳能板+12 V 10 Ah LiFePO4电池，配合电压监控和深度睡眠模式，估计每日能耗约10 Wh，理论可运行超过10天。现场部署在爱媛县Gogoshima岛的一个牧场，沿野猪移动路径安装箱式陷阱和系统。
**研究结果**
**3.1 自动捕获系统现场测试**：在Gogoshima岛进行实验，野猪主要在夜间活动。红外照明和顶部摄像头提供足够能见度。初始阶段（8月26日至9月9日）无错误触发，每次捕获两头野猪。但9月10日和19日仅捕获一头，分析发现陷阱内米糠诱饵有时被误识别为“mini_boar_in_trap”，且决策区域设置稍宽。改进后增加连续5帧确认条件，后续无错误触发。总共在7次捕获事件中自动捕获10头野猪。
**3.2 集成系统运行**
**3.2.1 自动投喂器运行**：为期约一周的试验中，自动投喂器每日一次稳定投喂，但未记录到野猪进入陷阱，因周围柑橘农场有天然食物。数据采集设备显示乌鸦聚集在投喂处，且投喂开始后乌鸦进入数量增加，但未导致陷阱误触发。
**3.2.2 独立电源系统运行**：系统在Gogoshima岛运行一个月，太阳能板+LiFePO4电池组合下，电池电压稳定保持在运行阈值以上，即使在阴天条件下也未发生系统关闭。验证了该电源配置可支持识别、记录、通信、每日投喂和捕获控制待机，无需外部电源。
**讨论与结论**
**4.1 识别鲁棒性与决策稳定性**：识别性能高度依赖训练数据分布。现场光照、阴影、雨滴、反射、植被摆动甚至陷阱内诱饵都可能导致误检。米糠误分类表明训练数据缺乏含诱饵的图像。自动投喂器吸引乌鸦，增加非目标动物进入场景，需加强误报控制。未来数据集应有意包含易混淆因素（如诱饵、鸟类、阴影等）。顶部摄像头使陷阱内外关系更清晰，但未进行侧视与顶视的定量对比。连续帧条件与决策区域结合，将不稳定检测输出转化为稳定捕获控制。
**4.2 系统集成与运行考虑**：集成系统在真实环境运行一个月，无电压下降导致的关闭，验证了电源设计可行性。但电源验证仅基于电池电压记录，未量化太阳辐射、温度、连续降雨时长等，不能保证跨季节通用性。自动投喂器节省劳力，但吸引非目标动物的副作用需关注。捕获决策中的时间过滤和区域设置可抑制此类误报。未来需进行多站点多季节大规模测试，扩展数据集，并引入自适应捕获逻辑。
**5. 结论**：开发了集成边缘AI识别、自动捕获机制、自动投喂器和独立电源的完全自动野猪捕获系统。在Gogoshima岛现场测试确认自动捕获系统成功捕获10头野猪，集成系统能连续记录、投喂和电源管理，无需外部基础设施。太阳能+LiFePO4电池设计解决了之前研究中电池寿命限制，自动投喂器可减少每日诱饵补充劳力，但其对野猪吸引和捕获效率的影响未定量验证。硬件总成本低于约240美元，表明低成本组件可替代基于GPU的高成本方案。未来将聚焦多地点多季节部署，并引入适应区域条件的捕获逻辑，以扩大在岛屿地区和劳力受限区域的长期野生动物损害对策。
