AM-NET: A lightweight framework for detecting Stellera chamaejasme and supporting occurrence assessment in complex alpine grasslands
本文提出了 AM-NET，这是一个基于 YOLOv11n 并结合新型架构模块的轻量化检测框架，该框架在复杂高山草甸中识别有毒植物天鹅葵（*Stellera chamaejasme*）时实现了更高的准确率并降低了计算成本，同时通过基于 Web 的系统支持实时生态风险评估。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
草地是覆盖了地球近一半陆地的广袤生命地毯，它们固守土壤、哺育牲畜并调节气候。在青藏高原的高寒地带，这些生态系统尤为脆弱，是亚洲水源和生物多样性的关键屏障。然而，这些土地正遭受着围攻。一种被称为“刺蒺藜”（Stellera chamaejasme）的有毒植物正在侵略性地蔓延，窒息着健康的牧草，威胁着食用它的放牧动物的生存。当这种植物占据主导地位时，它预示着土地正在退化，失去了支持生命的能力。几十年来，科学家和护林员一直试图追踪这种入侵者，但通过徒步巡查田野的方法既缓慢又令人疲惫，且往往难以掌握全局。这些植物体型微小，隐藏在密集的丛簇中，且看起来与周围的杂草非常相似，即使是人类的肉眼也很难发现它们。
为了解决这个问题，研究人员转向了相机和计算机，希望教会机器去观察人类难以发现的事物。然而，用于这项工作的工具通常过于沉重且复杂，无法在那些飞越草地的轻便、电池驱动设备（如无人机）上运行。这些设备需要足够快速且轻量化的软件，以便在不耗尽电力的前提下实时处理图像。来自青海大学的一个研究小组开发了一种新的解决方案，专门设计了一个轻量级系统，用于在野外混乱而复杂的现实环境中寻找这种有毒植物。
该团队构建了一个名为 AM-NET 的新计算机模型，它就像是无人机和移动设备的“高能训练之眼”。他们没有使用通常驱动此类任务的庞大且耗能的软件，而是设计了一个精简版本，在保留最重要细节的同时，抛弃了不必要的重量。他们首先利用在青海省野外拍摄的数千张照片，教计算机识别这种植物的外观。这些图像捕捉到了该植物在各种困难环境下的形态：隐藏在阴影中、挤在密集的斑块里，或散落在崎岖不平的地形上。为了让计算机变得更聪明，研究人员加入了特殊的处理技术，帮助它注意到细微的边缘和纹理，确保在图像模糊或光线变化时不会丢失对微小植物的追踪。
结果显示，该系统比之前的版本显著更快、更小，但视觉效果更好。在测试中，新模型比目前使用的标准工具更准确地找到了这种有毒植物，同时消耗的计算能力却更少。它成功地将需要处理的数据量减少了近 40%，这一关键性的改进使其能够在野外设备的有限硬件上流畅运行。当研究人员将其与其他已知方法进行对比测试时，即便在植物密集或背景混乱的情况下，新系统也能持续发现更多的植物并减少错误。这证明了你不需要一个巨大且复杂的计算机来完成高质量的工作；一个更小、更智能的设计同样可以胜任，甚至表现得更好。
除了仅仅统计植物数量之外，研究人员还构建了一个基于 Web 的系统，利用这些检测结果来评估草地的健康状况。该软件会观察植物分布的位置、聚集的紧密程度以及它们覆盖的面积。通过结合这些观察结果，系统可以生成一个风险评分，告诉土地管理者特定区域受侵害的严重程度。这超越了仅仅发现单株杂草的范畴；它有助于描绘出生态系统整体受损情况的图景。团队通过一个运行中的系统展示了这一点，该系统可以接收图像或视频流，并立即显示植物的位置以及情况可能有多危险。
这项工作为保护这些至关重要的高海拔景观提供了一条切实可行的路径。通过使技术足够轻量以供无人机搭载，并足够智能以应对自然界的混沌，研究人员提供了一个可以立即用于监测和管理草地退化的工具。该系统并非要取代人类专家，而是为他们提供了一种强大的方式，去观察这种有毒威胁的隐形蔓延，从而实现更快速、更有效的应对，在破坏变得不可逆转之前拯救草地。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。