【技术实现步骤摘要】
一种野外场景下的鸟类检测系统
本专利技术属于鸟类检测方法
,具体涉及一种野外场景下的鸟类检测系统。
技术介绍
保护区中鸟类的发现和统计一直是环境保护的一个重要内容。通过记录鸟群数量,鸟类出现时间以及停留时间,可以有效反映鸟群的当前健康状态,保护区的生态环境质量等等信息,方便专业人员开展环境保护工作。但是传统方法是通过人工对环境保护区中摄像机拍摄的视频数据进行分类和统计,这样的方法需要专家花费大量时间处理视频数据,耗时耗力,工作量很大。因此我们可以采用人工智能领域中基于深度学习的目标检测算法,自动检测保护区中出现的鸟类。目标检测指的是在图像中找出感兴趣的目标,确定目标类别和位置,例如检测出图像中是否有鸟类并且标出鸟类在图像中的位置信息。传统的目标检测算法大多是人工设计滤波器对图像进行处理,只能提取浅层的特征,检测准确度低,在实际环境中会受到各种噪声干扰,泛化能力差。而深度学习模型在提取高层特征以及对复杂特征的表征能力上有着不俗的表现,近年来也出去越来越多的基于深度学习的目标检测算法。这类基于深度学习的目标检测算法可以自动提取特征,泛化能力更强,更适合在实际环境中部署应用。目标检测任务关注检测的准确率和识别速度。由于检测图像的分辨率,目标大小,环境复杂程度的影响,会给目标检测带来很大的难度。最早出现的two-stage目标检测算法R-CNN将目标检测分为生成候选窗口和对候选窗口内的物体进行分类两个阶段,相较于传统方法在识别准确度上有了明显的提升,后续基于R-CNN提出了的一系列two-stage算法 ...
【技术保护点】
1.一种野外场景下的鸟类检测系统,其特征在于,该鸟类检测系统的检测方法包括:/nS1、采集鸟类视频数据与鸟类图片数据;包括未标注的鸟类数据D
【技术特征摘要】
1.一种野外场景下的鸟类检测系统,其特征在于,该鸟类检测系统的检测方法包括:
S1、采集鸟类视频数据与鸟类图片数据;包括未标注的鸟类数据Dunlabeledbird,采集来自公开的标注好的鸟类图片数据集Dlabeled1,采集来自摄像机拍摄的不包含鸟的背景视频数据Dvideoenv;
S2、对采集到的未标注的鸟类数据Dunlabeledbird使用数据预处理软件进行数据预处理,得到鸟类图片数据集Dlabeled2;对采集到的不包含鸟的背景视频数据Dvideoenv,使用数据预处理软件进行数据预处理,得到不包含鸟的背景图片数据集Dnegative;
S3、对标记好的鸟类图片数据集Dlabeled1和Dlabeled2进行数据增强,得到扩充后的鸟类数据集Dpositive;
S4、利用数据增强后的鸟类数据集Dpositive和不包含鸟的背景数据集Dnegative训练深度学习目标检测模型Modelbird;
S5、将训练好的目标检测模型Modelbird部署在实际野外环境下的边缘设备上;
S6、利用摄像机采集野外场景下的鸟类保护区视频数据;
S7、使用深度学习目标检测模型Modelbird按图像检测目标,将检测结果返回给中心服务器。
2.根据权利要求1所述的鸟类检测系统,其特征在于,步骤S1中未标注的鸟类数据Dunlabeledbird包括从网上获取的未标注鸟类图像数据和视频数据,以及摄像机拍摄的包含鸟的视频数据。
3.根据权利要求2所述的鸟类检测系统,其特征在于,步骤S2的数据预处理过程包括:
设计并使用数据预处理软件,对不包含鸟的背景视频数据和未标注的鸟类视频数据进行抽帧,分别保存为不包含鸟的背景图像数据和包含鸟的图像数据,其中不包含鸟的背景图像数据组成数据集Dnegative;
对所有未标记的包含鸟的图像数据进行质量检测,除去鸟类目标像素过低的图像;
对质量检测后的图像数据进行标注,记录鸟类位置bounding-box信息,得到标注好的鸟类图片数据集Dlabeled2。
4.根据权利要求1所述的鸟类检测系统,其特征在于,步骤S3的数据增强方式包括:
利用图像切割的方式对数据集进行数据增强,其方式为生成比图像尺寸小一些的矩形框,对图像进行随机的切割,最终以矩形框内的图像作为训练数据;
利用图像翻转的方式对数据集进行数据增强,其方式为对图像进行左右翻转,并将翻转前和翻转后的图像同时作为训练数据;
利用图像白化的方式对数据集进行数据集增强,其方式为对图像进行白化操作,即将图像本身归一化成Gaussian(0,1)分布,将归一化前及归一化后的图像同时作为训练数据。
5.根据权利要求1所述的鸟类检测系统,其特征在于,步骤S4包括使用数据增强后的数据集D...
【专利技术属性】
技术研发人员:腊孟珂,肖伟康,钟稚昉,杨仕雄,王言,
申请(专利权)人:南京大学环境规划设计研究院集团股份公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。