目前对鼠情监测主要依靠传统手段，如粉迹法、鼠夹法、粘鼠板、目测法等方法^[1]，在识别鼠情及鼠密度上存在诸多不足，如误差大、效率低，无法观察鼠类形态特征、活动规律等。为此，我们在成功研发“基于物联网远程鼠情监测系统”基础上^[2]，使用人工智能深度学习的识别、大数据学习模拟技术，研制出无需借助外网的便携智能鼠情监测系统箱。可用在垃圾场站、密闭舱室、高温等多种复杂环境，弥补了传统监测鼠情的不足，在节省人力物力的基础上，实现高效准确的监测鼠情，对鼠害科学防控将发挥重要作用。

1 材料与方法 1.1 材料

监测系统箱由数据采集端的数个夜视高清摄像头, 数据接收、处理、储存、发送的特制主机和特定无线路由器等组成，装入专利设计的聚氯乙烯（PVC）箱。见图 1。

1.2 连接

（1）将识别主机与无线路由器连接，通电。（2）用笔记本或平板电脑搜索连接该局域网。（3）将摄像头通电，放置在监测区域的一定位置，调整摄像头拍摄角度，系统箱即可使用。摄像头负责采集实时监控场景的图像数据，并将图像以及数据信息编码通过局域网发送到主机；主机运行人工智能算法自动检测识别图像中的鼠类活动情况，对信息进行数字化处理、储存、分析等。见图 2。

1.3 鼠情量化计数

根据图像捕捉结果，计算每个摄像头在每个区域的鼠类捕捉数据。日捕见数为每晚每监控点探查区域（探测野）经过的鼠类数量。

1.4 鼠类识别网络模型验证

将现场捕获、网络收集6万张大小黑鼠、灰鼠、大白鼠及其他鼠类类似物图片、视频特征，其中5万张作为训练集（不含小白鼠），供算法进行训练学习，自动提取鼠类外形特征，建立鼠类预测（识别）网络模型。该模型属于卷积神经网络模型，卷积神经网络与普通神经网络的区别在于，前者包含了1个由卷积层和子采样层构成的特征抽取器，具有对某一监测对象的形态特征进行提取、储存、记忆、分析和识别的作用。卷积神经网络由3部分构成，第1部分是输入层，第2部分由n个卷积层和池化层的组合组成，第3部分由1个全连结的多层感知机分类器构成。

网络模型生成后对训练集外的1万张鼠及其他鼠类类似物图片作为测试集，按一定顺序逐一进行测试和重复测试，验证识别的准确度。

1.5 模拟现场试验 1.5.1 实鼠识别观察

将训练完成的网络模型进行模拟现场试验。于模拟现场实验室（3.30 m×3.40 m玻璃房）每次放入10只健康小黑鼠（C57BL/6，30~50 g，军事医学研究院提供），地板中央置鼠饲料和饮水。任取监测系统箱2个摄像头按说明书安装，通电启用。记录不同时间捕鼠数量。试验重复3次。观察实鼠识别准确度。

1.5.2 非“鼠”识别观察

上述条件下每次放入10只健康小白鼠（30~50 g/只），饲养、监测方法同上，观察监测效果。

1.6 现场应用

利用该系统箱先后在上海市某食品厂、云南省某部营区等应用，每单位设监测摄像头20个，连续监测观察3 d，同时用粘鼠板（大连三利消毒有限公司）40个/次，连续3 d作为对照，每摄像头对应2张粘鼠板，记录分析比较该系统箱的监测效果。

1.7 统计学分析

现场应用试验率的比较采用χ²检验，比较不同监测方法的效果差异，P < 0.05为差异有统计学意义。

2 结果 2.1 鼠类识别网络模型验证

对使用完成训练的网络模型进行测试，结果显示，当第1个epoch（指对训练集所有训练样本完成1次训练）训练结束时，模型对测试集图片识别率在91.00%以上，后续对每个epoch训练结束后生成的模型进行测试，识别率提升至95.50%左右，即1万张鼠图片识别出9500张左右。反复训练并测试至epoch识别率稳定在95.00%以上。见图 3。

2.2 模拟现场试验

不同时间实鼠监测结果，以第1次为例，第3天2个摄像头分别计数8和9只，平均8.5只。连续重复3次，第3~10天分别平均捕见8.67~11.00只，即第3天平均有1.33只未捕获到，或是其未进入“视野”，第10天平均多捕获1只，即累计重复1只；系统箱存在未识别计数和重复计数的误差，第5~10天假阳性误差率为5.00%~10.00%，即计数准确率为90.91%~95.24%（表 1）。另外，不同摄像头捕见数存在差异，与摄像头位置、角度有关。

对非“鼠”识别，即监测10只小白鼠10 d累计识别计数为0，即模拟网络型系统对未记忆过的物体，不会轻易抓拍计数。但小白鼠跟小灰鼠、小黑鼠相比也有一部分共同的特征，理论上用灰鼠训练得到的网络模型来对小白鼠进行测试的识别，会存在出现识别误差的可能性。

2.3 现场试验

不同现场应用监测系统箱均捕见到鼠类，且鼠捕见率（平均5.67%）普遍高于对照粘鼠板法的捕获率（平均1.50%），二者差异有统计学意义（χ²=12.376，P < 0.01）。见表 2。

监测系统箱现场应用可展示不同时间、地点监测鼠的图片、视频，并可选择统计分析等。图片放大后见图 4。

监测系统箱可提供不同监控点以及总体的不同时间段（日、周、月、年）捕获抓拍的数据聚合；并可选择以柱状图或折线图的形式展现。见图 5。

3 讨论

监测系统箱基于人工智能的深度学习，如反复记忆、辨别和纠偏鼠类体型、体态、五官、尾巴、胡须等大小、长度、颜色、形状等鼠类特征，通过大数据的学习模拟技术，实现鼠情的智能识别与监测。

大数据的模拟学习需要将完整的数据集在神经网络中传递多次，不同epoch的训练，实际上用的是同一个训练集的数据。第1个epoch和第10个epoch虽然用的都是训练集的图片或视频，但是不同epoch训练对模型的权重更新值是不同的，当达到30个epoch左右，权重更新值越来越小，准确度曲线趋于平缓稳定（图 3），对建立的鼠类识别网络模型验证结果表明，当达到30个epoch以上，模型对鼠识别的准确度保持在95.50%左右，如果进一步提高准确度，需进一步完善训练集的鼠类特征覆盖性。

模拟现场结果显示，对实际鼠类的识别计数率在90.00%以上，对于对照组“非鼠”不予识别。在实际应用中该系统与传统鼠密度监测方法一样可能存在漏识、误识（抓拍到非“鼠”）以及重复识别计数的误差，对于后2种情形，操作者/技术人员可通过调取数据后进一步甄别辨认后予以更正或删减剔除。作为一种新型产品总体准确度是可以接受的，但有进一步完善提高的空间。

另外，现场应用试验表明，监测系统箱捕见率普遍高于粘鼠板法捕获率，可进一步设定电子监测鼠密度控制标准。其电子监测密度可用上述日捕见率表示。

总之，与传统方法比较^[3-5]，该系统箱具有如下特点：（1）基于局域网实现智能鼠情实时监测，便携、无源化，无需外网；（2）监测图像视频清晰、连续，并储存图像、影像资料，可按时间、地点等要求分析资料；（3）使用便捷，改变传统人工方法耗时、费力，客观性差，无法实现实时、持续监测，以及无法获得图像视频信息等缺点；（4）准确度高，基于人工智能深度学习的识别技术，识别鼠类，计数准确度可达到90.00%以上；（5）摄像头无需特意安装，放置场所、区域同传统鼠笼、鼠夹等，即鼠类活动区域。该系统箱作为一种崭新的尝试，需在实际应用中发现存在的不足之处，不断完善。

利益冲突  无