摘要
利用鲸类动物的照片识别数据来检测和分析其体表疤痕，可以为我们了解它们的生活史、行为特征以及所面临的威胁提供线索。然而，这类分析通常需要手动处理大量的图像数据集。为了探讨机器学习是否能够帮助这一过程，我们开发了一种自动化检测和统计虎鲸疤痕事件的流程。该方法结合了nnU-Net分割模型（该模型能够生成包含单个疤痕线条的二值掩码）、手工制作的特征表示方法以及HDBSCAN聚类算法，将疤痕分组并估算每张图片中的疤痕事件数量。在包含1到10个标注疤痕事件的数据集中（中位数=2），表现最佳的配置方案的平均绝对误差（MAE）为每张图片0.82个疤痕事件，并且在超过50%的情况下准确恢复了标注的事件数量。这些结果表明，借助机器学习的分析可以从标准的虎鲸照片识别图像中提取出具有生物学意义的疤痕信息。虽然能够以较高的可靠性从单张图片中准确还原疤痕数量，但在异质性的野外条件下，检测年度间的细微变化仍然具有挑战性。当前系统并非旨在取代专家的人工标注，而更应被视为一个半自动化的框架，它能够扩展现有的照片识别工作流程，以实现长期的疤痕分析和更广泛的人口水平评估。因此，它为构建更全面的鲸类疤痕事件检测工具奠定了实用的基础。
利益冲突
作者声明没有利益冲突。
数据可用性声明
本研究中分析的标注疤痕数据集包含了可识别的虎鲸个体图像，但由于与数据提供组织之间的数据共享协议，这些数据不能以原始形式公开。用于重现此处详细描述实验的代码可以在https://github.com/alexanderbarnhill/finscar找到。
