一种鸟类观测站的观测识别系统及其方法技术方案

本发明专利技术公开了一种鸟类观测站的观测识别系统及其方法，具体涉及鸟类生物多样性识别技术领域，包括前端超高清摄像头集成模块是通过在采集鸟类生物的环境中，根据现场情况而定，选择点位安装1

【技术实现步骤摘要】
一种鸟类观测站的观测识别系统及其方法


[0001]本专利技术涉及鸟类生物多样性识别
，具体涉及一种鸟类观测站的观测识别系统及其方法。

技术介绍

[0002]鸟类是按照各种各样的标准与方法进行分类，每种鸟的名称因地方及习惯而有不同的称呼，所以往往会造成同物异名，或异物同名的现象，引起诸多生物多样性识别混乱的问题，因此，在鸟类学中有一个比较统一的标准与方法进行分类及名称，目前，国际上统一采用自然分类系统进行分门别类的方法，按照鸟的形态特征拟似程度为基础，把具有共同构造特征的鸟类归为一类，把具有另一些共同特征的鸟归为另一类种群，那么对鸟类生物进行观测识别系统给鸟类生物多样性数据库提供了数据基础。
[0003]在传统的生物多样性数据库平台软件中，软件列表的排序，将其自身产品及其有投资关系的软件置前并将竞争对手产品置后，将给了推广费用的商家的产品置前，其次才考虑软件的评分、发布时间、下载量等因素，导致展现给用户的软件列表基本相同，无个性化差异，不能满足不同用户的需求，因此存在了生物多样性数据库平台对数据整理列表的排序问题不能采用智能关联性推送方法。

技术实现思路

[0004]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种鸟类观测站的观测识别系统及其方法，通过运用AI视觉识别和AI边缘计算服务器的高性能算力，将图像进行每帧画面分割和检测识别，基于自主研发的多层卷积神经网络和深度学习模型算法，利用GPU+CPU高效双核运算，通过提取鸟类体貌特征和算法训练，实现对鸟类的AI识别分析，以解决上述背景技术中提出的问题。
[0005]为达到上述专利技术目的，本专利技术提供如下技术方案：一种鸟类观测站的观测识别系统，包括前端超高清摄像头集成模块是通过在采集鸟类生物的环境中，根据现场情况而定，选择点位安装1
‑
4台摄像机，用于自动拍摄采集鸟类生物的图像信息，并利用摄像设备中含有的4G传输卡，通过无线通信模块将采集的图像数据信息分别传输到云端服务器、生物检测站及GPU图像识别分析处理模块中；无线通信模块是通过串口协议连接，利用无线通信网络将数据信息进行双通道传输，用于数据输入输出的通信；GPU图像识别分析处理模块是利用计算机中的GPU处理器对采集的图像视频，根据插入的算法进行构建、渲染的处理，结合十万鸟类照片模型训练库信息，用于自动识别鸟类生物信息和对鸟群生存环境的分析处理，并将处理后的信息传输到生物检测站和云端服务器；生物检测站是利用人工从计算机显示器中反馈的图像，对鸟类生物进行专业的识别、判断、评价及整理，用于对科学研究鸟类提供专业性的知识辅助，完善及确定鸟类生物
多样性评价的状况，并且将专业的知识体系评估的鸟类生物多样性信息传输到云端服务器中；云端服务器是将网络资源充分利用的高分布式及高虚拟化的信息化平台，用于提供鸟类生物外貌特征图像，名称，鸟类生存、生长、繁殖和迁徙特点，以及栖息地、觅食、食物链的对应数字化信息，给软件进行数据更新和推送；十万鸟类照片模型训练库是在网页上下载鸟类照片和现实拍摄采集出数以万计的鸟类照片数据集，用于AI深度学习训练和建立评估识别鸟类生物的模型提供了数据基础。
[0006]在一个优选地实施方式中，所述前端超高清摄像头集成模块包括摄像机组单元是在观测点采用1
‑
4台星光级6寸激光网络高清高速智能球机和热成像双光谱网络转台摄像机进行日常鸟类观测，用于采集鸟类生物照片和视频信息，以及采用1台长焦距为12.5
‑
500mm的热成像双光谱加可见光网络转台摄像机进行实时监测，用于研究鸟类生物种群及分析其生存环境；鸟类生物多目标实时捕捉采集单元是对图像中的采集到的鸟类及环境生物进行多目标识别，利用实时捕捉的数据进行多目标信息分类，用于实时同步采集获取多目标鸟类生物数据信息；实时监测单元是用于实时监控、实时自动采集，采样频率为连续视频采样，也可通过照片数据进行分析，进一步获得鸟类种群状况数据，为湿地鸟类研究、湿地鸟类保育体系构建奠定基础；日常人工维护设备检修单元是对户外环境中安装在观测点的摄像机组进行日常维护检修，通过人工避免摄像机组被树木遮挡，以及更换蓄电池保证摄像机组日常拍摄；电力获取单元是采用太阳能和蓄电池结合使用的方式，利用太阳能吸收光源经过光伏电极板转换成电源，储备在蓄电池内，以及更换蓄电池给摄像机组提供日常拍摄鸟类生物图像的电能。
[0007]在一个优选地实施方式中，所述无线通信模块包括4G协议通信单元是通过摄像机组内的4G传输卡，将摄像机组采集鸟类生物图像视频的数据信息，经过端口协议传输到云端服务器、GPU图像识别分析处理模块及生物检测站内；5G端口传输单元是实现人机物互联的网络通信技术，通过云端服务器、GPU图像识别分析处理模块及生物检测站之间的端口连接，用于数据信息的输入输出。
[0008]在一个优选地实施方式中，所述GPU图像识别分析处理模块包括I/O信号单元是信号输入输出，用于传输模拟信号和数字信号；AI深度学习算法单元是利用人工智能技术搭建CNN神经网络，是机器学习中AI算法，通过提取图像与视频中的局部特征，根据参数进行降维处理后输出自动识别的数据结果，具体为将接收到的鸟类生物图像和视频数据信息，在神经网络中对照十万鸟类照片模型训练库内的数据信息，分别让卷积层提取图像中鸟类生物的局部特征，池化层用于大幅度降低数量级，以及全连接层用来输出识别鸟类生物的数据结果；GPU图像处理自动识别分类单元是利用GPU处理器，依据AI深度学习算法，将鸟类生物图像进行分类检索、目标定位跟踪、图形分割、鸟类生物识别及图像分类的技术处理。
[0009]在一个优选地实施方式中，所述生物检测站包括有人工辅助识别单元是通过在生
物检测站的计算机显示屏中展示出未识别的鸟类生物图像数据信息，结合专业观鸟机构与组织进行鸟类的识别，并评估生物多样性跟进保护，用于丰富区域的物种资源；人工整理生物多样性评价单元是在生物检测站内的管理员，承接专业观鸟机构与组织对鸟类的识别并评估的数据信息进行定期整理，利用5G网络通信技术，将整理后的数据信息上传到云端服务器，进行软件数据信息的更新。
[0010]在一个优选地实施方式中，所述云端服务器包括云数据处理单元是建立在云端服务器上，用于海量数据信息进行分布式处理、并行处理、网络通信数据计算的云平台，能够接收到生物检测站上传的专家识别评价鸟类生物数据信息、观测点内摄像机组实时采集的鸟类生物图像和视频；云存储单元是用于储存云数据处理单元中分类鸟类生物数据信息，而且能够给十万鸟类照片模型训练库的数据提供存储支撑，具有确保网络存储信息的吞吐量和可靠性特点。
[0011]在一个优选地实施方式中，鸟类观测站的观测识别方法，其步骤如下：S1、首先在跟踪捕捉鸟类图像的外界环境中，设置X处自动鸟类监测点，并在观测点采用若干个摄像机进行拍摄采集日常鸟类图像信息；S2、在观测点，采用进行实时监测与处理鸟类生物的数据信息，其中，摄像头的电力获取采用太阳能和蓄电池结合使用的方式；S3、然后利用摄像设备具有的4G传输卡，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鸟类观测站的观测识别系统，其特征在于：包括前端超高清摄像头集成模块是用于自动拍摄采集鸟类生物的图像信息，通过无线通信模块将采集的图像数据信息分别传输到云端服务器、生物检测站及GPU图像识别分析处理模块中；无线通信模块是用于数据输入输出的通信；GPU图像识别分析处理模块是结合十万鸟类照片模型训练库信息，用于自动识别鸟类生物信息和对鸟群生存环境的分析处理，并将处理后的信息传输到生物检测站和云端服务器；生物检测站是用于对科学研究鸟类提供专业性的知识辅助，完善及确定鸟类生物多样性评价的状况，并且将专业的知识体系评估的鸟类生物多样性信息传输到云端服务器中；云端服务器是用于提供鸟类生物外貌特征图像，名称，鸟类生存、生长、繁殖和迁徙特点，以及栖息地、觅食、食物链的对应数字化信息，给软件进行数据更新和推送；十万鸟类照片模型训练库是用于AI深度学习训练和建立评估识别鸟类生物的模型提供了数据基础。2.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述前端超高清摄像头集成模块包括摄像机组单元是在观测点采用1
‑
4台星光级6寸激光网络高清高速智能球机和热成像双光谱网络转台摄像机进行日常鸟类观测，以及采用1台长焦距为12.5
‑
500mm的热成像双光谱加可见光网络转台摄像机进行实时监测；鸟类生物多目标实时捕捉采集单元是用于实时同步采集获取多目标鸟类生物数据信息；实时监测单元是用于实时监控、实时自动采集，采样频率为连续视频采样，也可通过照片数据进行分析，进一步获得鸟类种群状况数据；日常人工维护设备检修单元是对户外环境中安装在观测点的摄像机组进行日常维护检修；电力获取单元是采用太阳能和蓄电池结合使用的方式，利用太阳能吸收光源经过光伏电极板转换成电源，储备在蓄电池内，以及更换蓄电池给摄像机组提供日常拍摄鸟类生物图像的电能。3.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述无线通信模块包括4G协议通信单元是通过摄像机组内的4G传输卡，将摄像机组采集鸟类生物图像视频的数据信息，经过端口协议传输到云端服务器、GPU图像识别分析处理模块及生物检测站内；5G端口传输单元是通过云端服务器、GPU图像识别分析处理模块及生物检测站之间的端口连接，用于数据信息的输入输出。4.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述GPU图像识别分析处理模块包括I/O信号单元是用于传输模拟信号和数字信号；AI深度学习算法单元是利用人工智能技术搭建CNN神经网络，通过提取图像与视频中的局部特征，根据...

【专利技术属性】
技术研发人员：黄振旭，
申请(专利权)人：江苏世科环境发展有限公司，
类型：发明
国别省市：