Recognizing and monitoring infectious sources of schistosomiasis by developing deep learning models with high‑resolution remote sensing images

    本研究旨在利用高分辨率遥感图像，结合深度学习模型，识别和监测家畜牛，作为日本血吸虫感染的中间宿主，并评估模型在现实应用中的有效性。将高分辨率遥感图像划分为训练数据、测试数据和验证数据，用于模型开发。结果显示，ENVINet5模型识别出1598条牛分布记录，精确度和召回率分别为81.9%和80.2%，F1分数为0.81。Mask R-CNN模型识别出1679条牛目标记录，精确度和召回率分别为87.3%和85.2%，F1分数为0.87。将开发的模型应用于现实中的血吸虫病疫区，原始图像中有63个牛目标，ENVINet5模型提取了53个记录，Mask R-CNN模型提取了57个记录。成功识别率分别为84.1%和90.5%。研究表明在家畜分布低结构、样本较少的情况下，ENVINet5模型具有很好的可行性。Mask R-CNN模型具有良好的框架设计，运行高效。利用高分辨率遥感图像开发的家畜识别深度学习模型能够准确识别家畜的空间分布，有助于实现血吸虫病的精准控制。

    附件：全文下载