鸟情检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及鸟情检测方法、装置、计算机设备及存储介质，该方法包括获取实时图像，以得到待检测图像；将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；根据检测结果进行鸟情分析，以得到分析结果；根据分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；其中，鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。本发明专利技术实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。

【技术实现步骤摘要】
鸟情检测方法、装置、计算机设备及存储介质
本专利技术涉及鸟情探测方法，更具体地说是指鸟情检测方法、装置、计算机设备及存储介质。
技术介绍
在一些特殊的场合会由于鸟类的存在，导致灾难的发生，比如机场，在这些特殊的场合配备了一些比较常见的基础驱鸟设备，例如超声波，煤气炮，激光等设备，但这些设备的驱动方式包括比较传统的定时驱动或者人工驱动。现有的解决方式是对鸟情进行检测，以进行针对性的驱赶鸟类，目前采用采用监控设备检测鸟的方式是通过检测单只鸟，通过累加统计出总体检测鸟的数目，如果一旦出现多只鸟重叠或者鸟与鸟之间互相遮挡，导致无法检测出鸟，或者检测出的鸟数量不准确，导致对鸟情误判，从而影响驱赶效果。因此，有必要设计一种新的方法，实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供鸟情检测方法、装置、计算机设备及存储介质。为实现上述目的，本专利技术采用以下技术方案：鸟情检测方法，包括：获取实时图像，以得到待检测图像；将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；根据所述检测结果进行鸟情分析，以得到分析结果；根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。其进一步技术方案为：所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据集训练深度学习神经网络所得的，包括：获取鸟类图像；对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。其进一步技术方案为：所述采用样本数据集训练深度学习神经网络，以得到鸟情检测模型，包括：将样本数据集划分为训练集以及测试集；设置YOLOV4算法训练的参数；使用训练集输入YOLOV4算法中进行网络模型训练，以得到初始模型；采用测试集对初始模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置YOLOV4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。其进一步技术方案为：所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。其进一步技术方案为：根据所述检测结果进行鸟情分析，以得到分析结果，包括：根据所述检测结果截取实时图像，以得到中间图像；将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；根据所述类别建立对应的鸟情数据库；对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。其进一步技术方案为：所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。本专利技术还提供了鸟情检测装置，包括：实时图像获取单元，用于获取实时图像，以得到待检测图像；检测单元，用于将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；分析单元，用于根据所述检测结果进行鸟情分析，以得到分析结果；发送单元，用于根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。其进一步技术方案为：所述分析单元包括：截取子单元，用于根据所述检测结果截取实时图像，以得到中间图像；识别子单元，用于将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；建立子单元，用于根据所述类别建立对应的鸟情数据库；环境分析子单元，用于对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。本专利技术与现有技术相比的有益效果是：本专利技术通过获取实时图像，再将图像输入至鸟情检测模型内进行鸟情检测，该鸟情检测模型可对单只鸟、多只鸟以及重叠的鸟群进行检测，并估算出整个实时图像内的鸟数量，再根据得到检测结果进行鸟情分析，再根据鸟情分析结果进行对应的驱鸟操作，实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。下面结合附图和具体实施例对本专利技术作进一步描述。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例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为本专利技术实施例提供的鸟情检测方法的应用场景示意图；图2为本专利技术实施例提供的鸟情检测方法的流程示意图；图3为本专利技术实施例提供的鸟情检测方法的子流程示意图；图4为本专利技术实施例提供的鸟情检测方法的子流程示意图；图5为本专利技术实施例提供的鸟情检测方法的子流程示意图；图6为本专利技术实施例提供的鸟情检测装置的示意性框图；图7为本专利技术实施例提供的鸟情检测装置的分析单元的示意性框图；图8为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1和图2，图1为本专利技术实施例提供的鸟情检测方法的应用场景示意图。图2为本专利技术实施例提供的鸟情检测方法的示意性流程图。该鸟情检测方法应用于服务器中。该服务器与摄像设备、驱鸟设备进行数据交互，从摄像设备获取到实时图像，利用训练完毕的鸟情检测模型进行检测，在根据检测结果进行分析，依据分析结果驱动对应的驱鸟设备进行驱鸟操作。图2是本专利技术实施例提供的鸟情检测方法的流程示意图。如图2所示，该方法包本文档来自技高网...

【技术保护点】
1.鸟情检测方法，其特征在于，包括：/n获取实时图像，以得到待检测图像；/n将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；/n根据所述检测结果进行鸟情分析，以得到分析结果；/n根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；/n其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。/n

【技术特征摘要】
1.鸟情检测方法，其特征在于，包括：
获取实时图像，以得到待检测图像；
将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；
根据所述检测结果进行鸟情分析，以得到分析结果；
根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；
其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。


2.根据权利要求1所述的鸟情检测方法，其特征在于，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据集训练深度学习神经网络所得的，包括：
获取鸟类图像；
对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；
采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。


3.根据权利要求2所述的鸟情检测方法，其特征在于，所述采用样本数据集训练深度学习神经网络，以得到鸟情检测模型，包括：
将样本数据集划分为训练集以及测试集；
设置YOLOV4算法训练的参数；
使用训练集输入YOLOV4算法中进行网络模型训练，以得到初始模型；
采用测试集对初始模型进行测试，以得到测试结果；
判断所述测试结果是否符合要求；
若所述测试结果不符合要求，则执行所述设置YOLOV4算法训练的参数；
若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。


4.根据权利要求1所述的鸟情检测方法，其特征在于，所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。


5.根据权利要求4所述的鸟情检测方法，其特征在...

【专利技术属性】
技术研发人员：廖金辉，李德民，吴亦歌，肖娟，贺鹏，
申请(专利权)人：深圳市赛为智能股份有限公司，上海铭航科技发展有限公司，
类型：发明
国别省市：广东;44