一种基于神经网络的犬只检测与预警系统技术方案

本发明专利技术公开了一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，利用摄像头对犬只进行图像采集，获取所述数据采集子系统采集的图像，并利用SSD检测框架经Darknet‑53网络预测后直接预测图片类型，并对人犬距离计算采用k‑means算法对犬只的检测数据进行聚类处理，将所述检测与测距子系统的结果进行上传，并进行预警操作，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。

【技术实现步骤摘要】
一种基于神经网络的犬只检测与预警系统
本专利技术涉及图像处理
，尤其涉及一种基于神经网络的犬只检测与预警系统。
技术介绍
流浪犬伤人并非偶发事件，据国家有关部门发布的全国法定传染病统计，2018年，全国有500余人死于狂犬病。从流浪犬活动范围看，有人的地方就会有流浪犬，这也在无形中放大了潜藏的危害。现代社会人烟密集，无论是从传播疾病还是从咬人伤人的角度讲，养犬都存在着潜在的危险，因此亟需采用技术手段将这一危险扼杀在萌芽之中。对犬只的检测与测距技术存在着一定的技术难度，首先犬只的大小各异需要采用相应方法加以解决，其次，在预警速度上需要对算法进行优化，省去不必要的计算开销以达到快速处理的效果。
技术实现思路
本专利技术的目的在于提供一种基于神经网络的犬只检测与预警系统，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。为实现上述目的，本专利技术提供了一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，所述数据采集子系统，用于利用摄像头对犬只进行图像采集；所述检测与测距子系统，用于获取所述数据采集子系统采集的图像，并利用SSD检测框架经Darknet-53网络预测后直接预测图片类型，并在所述SSD检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理；r>所述预警子系统，用于将所述检测与测距子系统的结果进行上传，并进行预警操作。其中，所述检测与测距子系统包括图像分类模块、检测模块和测距模块，所述图像分类模块、所述检测模块和所述测距模块依次电性连接，所述图像分类模块，用于对所述数据采集子系统采集的图像进行特征提取；所述检测模块，用于根据所述图像分类模块提取出来的特征，使用SSD检测框架训练出检测模型，并输出检测结果；所述测距模块，用于利用k-means算法对犬只的所述检测数据进行聚类处理，并进行距离估计。其中，所述检测模块包括Darknet-53主干网络单元、预测网络单元和深度估计网络单元，所述Darknet-53主干网络单元、所述预测网络单元和所述深度估计网络单元依次电性连接，所述Darknet-53主干网络单元，用于对SSD检测框架进行改进，并将作用于第四卷积层的输出结果传输至所述预测网络单元；所述预测网络单元，用于接收所述输出结果进行多尺度预测，并采用池化和锚点的方法进行下采样和预测对应的概率和坐标值；所述深度估计单元，用于借助细粒度级别图像中的物体边界框和部件设定点训练出检测模型，并分别对应犬只的头部，躯干和四肢进行检测，得到理想的犬只检测结果。其中，所述预测网络单元包括融合特征层和批标准化层，所述融合特征层和所述批标准化层电性连接，所述融合特征层，用于在所述预测网络单元的不同特征层空间内预测目标类别得分和边界框位置；所述批标准层，用于加快所述预测网络单元的收敛速度，并对数据进行归一化处理。其中，所述预测网络单元还包括非线性激活单元层，所述非线性激活单元层与所述融合特征层电性连接，所述非线性激活单元层，用于增加所述预测网络单元的非线性表达，提升所述预测网络单元的表达能力。其中，所述预测网络单元还包括平移变换层，所述平移变换层与所述批标准层电性连接，所述平移变换层，用于对所述批标准层的输出数据进行尺度变换和平移。其中，所述深度估计单元包括损失层和残差层，所述损失层和所述残差层电性连接，所述损失层，用于根据所述预测网络单元输出的视差图获取损失数据，建立损失函数；所述残差层，用于根据所述损失函数约束所述视差图的一致性。其中，所述基于神经网络的犬只检测与预警系统还包括移动终端，所述移动终端与所述数据采集子系统和所述预警系统电性连接，所述移动终端，用于提供所述数据采集子系统使用的摄像头，并接收所述预警子系统上传的数据。本专利技术的一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，利用摄像头对犬只进行图像采集，获取所述数据采集子系统采集的图像，并利用SSD检测框架经网络预测后直接预测图片类型，并在所述SSD检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理，将所述检测与测距子系统的结果进行上传，并进行预警操作，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术提供的一种基于神经网络的犬只检测与预警系统的结构示意图。图2是本专利技术提供的检测模块的结构示意图。1-数据采集子系统、2-检测与测距子系统、3-预警子系统、4-移动终端、5-图像分类模块、6-检测模块、7-测距模块、61-Darknet-53主干网络单元、62-预测网络单元、63-深度估计网络单元、621-融合特征层、622-批标准化层、623-非线性激活单元层、624-平移变换层、631-损失层、632-残差层。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。请参阅图1和图2，本专利技术提供一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统1、检测与测距子系统2和预警子系统3，所述数据采集子系统1、所述检测与测距子系统2和所述预警子系统3依次电性连接，所述数据采集子系统1，用于利用摄像头对犬只进行图像采集；所述检测与测距子系统2，用于获取所述数据采集子系统1采集的图像，并利用SSD检测框架经Darknet-53网络预测后直接预测图片类型，并在所述SSD本文档来自技高网...

【技术保护点】
1.一种基于神经网络的犬只检测与预警系统，其特征在于，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，/n所述数据采集子系统，用于利用摄像头对犬只进行图像采集；/n所述检测与测距子系统，用于获取所述数据采集子系统采集的图像，并利用SSD检测框架经Darknet-53网络预测后直接预测图片类型，并在所述SSD检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理；/n所述预警子系统，用于将所述检测与测距子系统的结果进行上传，并进行预警操作。/n

【技术特征摘要】
1.一种基于神经网络的犬只检测与预警系统，其特征在于，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，
所述数据采集子系统，用于利用摄像头对犬只进行图像采集；
所述检测与测距子系统，用于获取所述数据采集子系统采集的图像，并利用SSD检测框架经Darknet-53网络预测后直接预测图片类型，并在所述SSD检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理；
所述预警子系统，用于将所述检测与测距子系统的结果进行上传，并进行预警操作。


2.如权利要求1所述的一种基于神经网络的犬只检测与预警系统，其特征在于，所述检测与测距子系统包括图像分类模块、检测模块和测距模块，所述图像分类模块、所述检测模块和所述测距模块依次电性连接，
所述图像分类模块，用于对所述数据采集子系统采集的图像进行特征提取；
所述检测模块，用于根据所述图像分类模块提取出来的特征，使用SSD检测框架训练出检测模型，并输出检测结果；
所述测距模块，用于利用k-means算法对犬只的所述检测数据进行聚类处理，并进行距离估计。


3.如权利要求2所述的一种基于神经网络的犬只检测与预警系统，其特征在于，所述检测模块包括Darknet-53主干网络单元、预测网络单元和深度估计网络单元，所述Darknet-53主干网络单元、所述预测网络单元和所述深度估计网络单元依次电性连接，
所述Darknet-53主干网络单元，用于对SSD检测框架进行改进，并将作用于第四卷积层的输出结果传输至所述预测网络单元；
所述预测网络单元，用于接收所述输出结果进行多尺度预测，并采用池化和锚点的方法进行下采样和预测对应的概率和坐标值；
所述深度估计单...

【专利技术属性】
技术研发人员：孙希延，时慧恩，纪元法，黄建华，付文涛，严素清，符强，王守华，白杨，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45