CN111709421A - 鸟类识别方法、装置、计算机设备及存储介质 - Google Patents
鸟类识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111709421A CN111709421A CN202010557975.XA CN202010557975A CN111709421A CN 111709421 A CN111709421 A CN 111709421A CN 202010557975 A CN202010557975 A CN 202010557975A CN 111709421 A CN111709421 A CN 111709421A
- Authority
- CN
- China
- Prior art keywords
- bird
- training
- image
- model
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及鸟类识别方法、装置、计算机设备及存储介质,该方法包括获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;判断所述检测结果是否是有鸟类存在的结果;若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;保存所述识别结果以及细节图像至数据库内。本发明实现自动识别鸟类,提高识别效率和准确率,且不存在监控盲区,成本低。
Description
技术领域
本发明涉及鸟类识别方法,更具体地说是指鸟类识别方法、装置、计算机设备及存储介质。
背景技术
鸟类是生物多样性监测和生态环境影响评价的重要指标。通过鸟类物种的调查与监测可以了解鸟类资源现状,归纳鸟类物种的组成、数量和多样性等特征,利用这些特征能直接反映栖息地的环境质量、生态***的健康程度、生物多样性状况、人类活动对生态***的干扰程度以及土地利用和景观改变对生态***的影响程度等,因此,需要对鸟类进行识别和监管,才可以确保鸟类和人类可以和谐地相处。
现有的鸟类识别方法是采用单相机或者抢球联动的方式拍摄对应的照片后,采用人工分类识别的方法进行鸟类识别,但是这种方式需要耗费大量人力、物力和财力,另外,存在监控盲区,并没有办法拍摄到整个监控区域内的所有鸟的照片,如果需要将整个监控区域全部覆盖,则需要布置大量的固定视角监控摄像头,成本高。
因此,有必要设计一种新的方法,实现自动识别鸟类,提高识别效率和准确率,且不存在监控盲区,成本低。
发明内容
本发明的目的在于克服现有技术的缺陷,提供鸟类识别方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:鸟类识别方法,包括:
获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;
将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;
判断所述检测结果是否是有鸟类存在的结果;
若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;
将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;
保存所述识别结果以及细节图像至数据库内;
其中,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的;
所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的。
其进一步技术方案为:所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据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的标注,以得到第一样本数据集;
采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
其进一步技术方案为:所述采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型,包括:
将第一样本数据集划分为第一训练集以及第一测试集;
设置YOLOV4算法训练的参数;
使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型;
采用第一测试集对第一初始模型进行测试,以得到第一测试结果;
判断所述第一测试结果是否符合要求;
若所述第一测试结果不符合要求,则执行所述设置YOLOV4算法训练的参数;
若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
其进一步技术方案为:所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的,包括:
获取鸟类的细节图像;
对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集;
采用第二样本数据集训练神经网络,以得到鸟类识别模型。
其进一步技术方案为:所述采用第二样本数据集训练神经网络,以得到鸟类识别模型,包括:
将第二样本数据集划分为第二训练集以及第二测试集;
设置resnet50算法训练的参数;
使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型;
采用第二测试集对第二初始模型进行测试,以得到第二测试结果;
判断所述第二测试结果是否符合要求;
若所述第二测试结果不符合要求,则执行所述设置resnet50算法训练的参数;
若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
其进一步技术方案为:所述保存所述识别结果以及细节图像至数据库内之后,还包括:
对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
本发明还提供了鸟类识别装置,包括:
全景图像获取单元,用于获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;
鸟类检测单元,用于将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;
检测判断单元,用于判断所述检测结果是否是有鸟类存在的结果;
分割单元,用于若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;
识别单元,用于将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;
保存单元,用于保存所述识别结果以及细节图像至数据库内。
其进一步技术方案为:还包括:
第一构建单元,用于通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络,以得到鸟类检测模型。
本发明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。
本发明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。
本发明与现有技术相比的有益效果是:本发明通过获取来自全景网络摄像机拍摄所得的图像,全景网络摄像机可以对监控区域进行无死角拍摄,不存在监控盲区,减少了应用场地多点安装施工布线,成本低,借助拍摄所得的全景图像输入至鸟类检测模型内进行检测,在有鸟类存在的情况下,联动球机拍摄细节图像,对细节图像进行分割后输入至鸟类识别模型内进行识别,根据识别结果保存对应内容至数据库内,实现自动识别鸟类,提高识别效率和准确率,且不存在监控盲区,成本低。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,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发明的一些实施例,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为本发明实施例提供的鸟类识别方法的应用场景示意图;
图2为本发明实施例提供的鸟类识别方法的流程示意图;
图3为本发明实施例提供的鸟类识别方法的子流程示意图;
图4为本发明实施例提供的鸟类识别方法的子流程示意图;
图5为本发明实施例提供的鸟类识别方法的子流程示意图;
图6为本发明实施例提供的鸟类识别方法的子流程示意图;
图7为本发明另一实施例提供的鸟类识别方法的流程示意图;
图8为本发明实施例提供的鸟类识别装置的示意性框图;
图9为本发明另一实施例提供的鸟类识别装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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,在此本发明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发明。如在本发明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,在本发明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为本发明实施例提供的鸟类识别方法的应用场景示意图。图2为本发明实施例提供的鸟类识别方法的示意性流程图。该鸟类识别方法应用于服务器中。该服务器与全景网络摄像机、球机、终端进行数据交互,通过全景网络摄像机获取全景图像后,由服务器进行鸟类是否存在的检测,当鸟类存在时,检测结果是输出鸟类所在的矩形框的坐标,也就是鸟类所在的位置信息,此后,服务器再从球机处获取鸟类的细节图像,按照位置信息分割细节图像后,仅包括只有鸟类细节的区域图像,将其输入鸟类识别模型内进行识别,以得到鸟类别保存在数据库内,供终端调取查阅。
图2是本发明实施例提供的鸟类识别方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、获取来自全景网络摄像机拍摄所得的图像,以得到全景图像。
在本实施例中,全景图像是在监控区域内布置全景网络摄像机后从全景网络摄像机拍摄所得的图像。
利用全景网络摄像机覆盖整个所要监控的范围,不存在监控盲区,通过全景网络摄像机对应用场地进行360度无死角范围监控,实现一台全景网络摄像机全覆盖整个监控区域,不但实现了鸟类的检测及种类的识别,关键实现了无盲区的检测,减少了应用场地多点安装施工布线,更降低了需要多台相机的硬件成本。
S120、将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果。
在本实施例中,检测结果是指是否有鸟类存在的类别,当检测到的是有鸟类存在的类别,检测结果内还包括该鸟类所在的矩形框,也就是鸟类所在的位置。
其中,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的。
在一实施例中,请参阅图3,上述的鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的,包括步骤S121~S123。
S121、获取鸟类图像。
在本实施例中,鸟类图像是指从网络上收集鸟类的相关图片以及通过假设全景网络摄像机在实际环境中所收集的图片,这些鸟类图像包括未包含鸟类或者已包含鸟类的图像。
S122、对鸟类图像进行鸟类位置标签的标注,以得到第一样本数据集。
在本实施例中,第一样本数据集是指带有鸟类位置标签且可用于训练深度学习神经网络的数据。
通过网络上收集和人工拍摄到鸟类图像,尽可能的收集到各种环境背景下的鸟类图像,使用对鸟类图像进行标注,保存为xml数据格式文件。将标注的鸟类图像按比例9:1随机分为第一训练集和第一测试集,当然,还可以按照实际需求设定不同比例划分第一样本数据集。
具体地,采用标注工具labelImg对鸟类图像进行坐标标注,如果是有鸟类存在的鸟类图像则标注鸟矩形框,以刚好框住鸟为最佳,标注为bird标签以及位置信息标签,当然,如果没有鸟类存在的鸟类图像,则标注为空白标签,以此训练深度学习神经网络。
S123、采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
在本实施例中,鸟类检测模型是指已训练且可用于直接对输入的图像进行鸟类检测以得到是否存在鸟类且当存在鸟类时鸟类所在的位置信息的模型。
在一实施例中,请参阅图4,上述的步骤S123可包括步骤S1231~S1236。
S1231、将第一样本数据集划分为第一训练集以及第一测试集。
在本实施例中,第一训练集是用于训练YOLOV4算法的图像数据;第一测试集是用于测试已训练的YOLOV4算法的图像数据。
S1232、设置YOLOV4算法训练的参数;
S1233、使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型。
在本实施例中,第一初始模型是指使用深度学习神经网络中的YOLOV4算法训练,采用随机梯度下降算法训练,当损失函数值降到趋于稳定时,即当损失函数的loss值趋于稳定后停止训练,保存训练得到的模型。
利用开源的预训练数据模型为初始化的参数,待损失函数值降到区域稳定,并且处于小于1.0的点时,则停止训练,输出第一初始模型。
S1234、采用第一测试集对第一初始模型进行测试,以得到第一测试结果。
在本实施例中,第一测试结果是指采用第一测试集对第一初始模型进行测试所得的结果。
S1235、判断所述第一测试结果是否符合要求;
若所述第一测试结果不符合要求,则执行所述步骤S1232;
S1236、若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
具体地,使用mAP(均值平均精度,mean Average Precision)指标来判断测试集对初始模型的测试结果,如果mAP小于0.95,则修改训练参数设置或者增加数据集重新训练,直到满足mAP大于0.95的要求。mAP指标是对一个类别内求平均精确度,然后对所有类别的平均精确度再求平均。
使用深度学习神经网络训练,采用随机梯度下降算法训练,带损失函数值降到趋于稳定时,将第一初始模型进行测试和评估,选择最佳模型,由此形成鸟类检测模型。
S130、判断所述检测结果是否是有鸟类存在的结果;
若所述检测结果没有鸟类存在,则执行步骤S110。
S140、若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像。
在本实施例中,鸟类细节图像是指来自球机的鸟类的图像。
根据检测出的坐标位置,联动球机以获取鸟类细节信息更加明确的鸟类图像,并且输出分割出来的细节图像。
通过全景网络摄像机检测鸟联动球机输出局部细节清晰的图像,为鸟类识别提供了有力保障。
S150、将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果。
在本实施例中,识别结果是指细节图像内的鸟类所属的类别。
其中,所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的。
在一实施例中,请参阅图5,上述的鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的,包括步骤S151~S153。
S151、获取鸟类的细节图像。
在本实施例中,鸟类的细节图像是指采用网络收集图像以及网络开源的图像库的方式获取不同种类的鸟类图像。
S152、对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集。
在本实施例中,第二样本数据集是指带有鸟类别标签且可用于训练神经网络的数据。
对于鸟类种类识别的数据标注,则以数字为标签,若果鸟类为N种,则分别标记为0,1,2,3,…,N-1。
S153、采用第二样本数据集训练神经网络,以得到鸟类识别模型。
在本实施例中,鸟类识别模型是指已训练且可用于直接对输入的图像进行鸟类类别识别的模型。
在一实施例中,请参阅图6,上述的步骤S153可包括步骤S1531~S1536。
S1531、将第二样本数据集划分为第二训练集以及第二测试集。
在本实施例中,第一训练集是用于训练resnet50算法的图像数据;第一测试集是用于测试已训练的resnet50算法的图像数据。
S1532、设置resnet50算法训练的参数;
S1533、使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型。
在本实施例中,第二初始模型是指使用深度学习神经网络中的resnet50算法训练,当损失函数值降到趋于稳定时,即当损失函数的loss值趋于稳定后停止训练,保存训练得到的模型。
具体地,采resnet50算法进行鸟类种类识别网络训练,同样也以开源的预训练模型为训练模型的吃实话参数训练,待网络模型参数趋于稳定,损失误差少于1.0以下输出网络模型,停止训练。
S1534、采用第二测试集对第二初始模型进行测试,以得到第二测试结果。
在本实施例中,第二测试结果是指采用第二测试集对第二初始模型进行测试所得的结果。
S1535、判断所述第二测试结果是否符合要求;
若所述第二测试结果不符合要求,则执行所述步骤S1532;
S1536、若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
S160、保存所述识别结果以及细节图像至数据库内;
具体地,对于识别结果以及细节图像建立数据库,将后续识别所得的图像以及结果均存储至数据库内。
如果是数据库中已存有的鸟,则编入鸟类数据库中,如果不是已知的鸟类种类,则保存该鸟类图片,为进一步扩大鸟类识别***提供新鸟类样本
上述的鸟类识别方法,通过获取来自全景网络摄像机拍摄所得的图像,全景网络摄像机可以对监控区域进行无死角拍摄,不存在监控盲区,减少了应用场地多点安装施工布线,成本低,借助拍摄所得的全景图像输入至鸟类检测模型内进行检测,在有鸟类存在的情况下,联动球机拍摄细节图像,对细节图像进行分割后输入至鸟类识别模型内进行识别,根据识别结果保存对应内容至数据库内,实现自动识别鸟类,提高识别效率和准确率,且不存在监控盲区,成本低。
图7是本发明另一实施例提供的一种鸟类识别方法的流程示意图。如图7所示,本实施例的鸟类识别方法包括步骤S210-S270。其中步骤S210-S260与上述实施例中的步骤S110-S160类似,在此不再赘述。下面详细说明本实施例中所增加的步骤S270。
S270、对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
在本实施例中,治理计划是指根据机场等特定监控区域的鸟类识别结果所建立的相关鸟类生态环境治理方案。
通过数据库的分析,制定相应的鸟类生态环境治理计划,并将该计划发送至机场人员,由机场人员执行,可以最大程度的降低对鸟类的伤害,也可以达到很好的驱鸟效果。
图8是本发明实施例提供的一种鸟类识别装置300的示意性框图。如图8所示,对应于以上鸟类识别方法,本发明还提供一种鸟类识别装置300。该鸟类识别装置300包括用于执行上述鸟类识别方法的单元,该装置可以被配置于服务器中。具体地,请参阅图8,该鸟类识别装置300包括全景图像获取单元301、鸟类检测单元302、检测判断单元303、分割单元304、识别单元305以及保存单元306。
全景图像获取单元301,用于获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;鸟类检测单元302,用于将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;检测判断单元303,用于判断所述检测结果是否是有鸟类存在的结果;分割单元304,用于若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;识别单元305,用于将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;保存单元306,用于保存所述识别结果以及细节图像至数据库内。
在一实施例中,上述的鸟类识别装置300还包括第一构建单元。
第一构建单元,用于通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络,以得到鸟类检测模型。
在一实施例中,上述的第一构建单元包括鸟类图像获取子单元、位置标签标注子单元以及第一训练子单元。
鸟类图像获取子单元,用于获取鸟类图像;位置标签标注子单元,用于对鸟类图像进行鸟类位置标签的标注,以得到第一样本数据集;第一训练子单元,用于采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
在一实施例中,第一训练子单元包括第一划分模块、第一设置模块、第一模型获取模块、第一测试模块以及第一判断模块。
第一划分模块,用于将第一样本数据集划分为第一训练集以及第一测试集;第一设置模块,用于设置YOLOV4算法训练的参数;第一模型获取模块,用于使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型;第一测试模块,用于采用第一测试集对第一初始模型进行测试,以得到第一测试结果;第一判断模块,用于判断所述第一测试结果是否符合要求;若所述第一测试结果不符合要求,则执行所述设置YOLOV4算法训练的参数;若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
在一实施例中,上述的鸟类识别装置300还包括第二构建单元。
第二构建单元,用于通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络,以得到鸟类识别模型。
在一实施例中,上述的第二构建单元包括细节图像获取子单元、类别标签标注子单元以及第二训练子单元。
细节图像获取子单元,用于获取鸟类的细节图像;类别标签标注子单元,用于对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集;第二训练子单元,用于采用第二样本数据集训练神经网络,以得到鸟类识别模型。
在一实施例中,第二训练子单元包括第二划分模块、第二设置模块、第二模型获取模块、第二测试模块以及第二判断模块。
第二划分模块,用于将第二样本数据集划分为第二训练集以及第二测试集;第二设置模块,用于设置resnet50算法训练的参数;第二模型获取模块,用于使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型;第二测试模块,用于采用第二测试集对第二初始模型进行测试,以得到第二测试结果;第二判断模块,用于判断所述第二测试结果是否符合要求;若所述第二测试结果不符合要求,则执行所述设置resnet50算法训练的参数;若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
图9是本发明另一实施例提供的一种鸟类识别装置300的示意性框图。如图9所示,本实施例的鸟类识别装置300是上述实施例的基础上增加了制定单元307。
制定单元307,用于对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述鸟类识别装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述鸟类识别装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种鸟类识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种鸟类识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;判断所述检测结果是否是有鸟类存在的结果;若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;保存所述识别结果以及细节图像至数据库内。
其中,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的;所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的。
在一实施例中,处理器502在实现所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的步骤时,具体实现如下步骤:
获取鸟类图像;对鸟类图像进行鸟类位置标签的标注,以得到第一样本数据集;采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
在一实施例中,处理器502在实现所述采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型步骤时,具体实现如下步骤:
将第一样本数据集划分为第一训练集以及第一测试集;设置YOLOV4算法训练的参数;使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型;采用第一测试集对第一初始模型进行测试,以得到第一测试结果;判断所述第一测试结果是否符合要求;若所述第一测试结果不符合要求,则执行所述设置YOLOV4算法训练的参数;若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
在一实施例中,处理器502在实现所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的步骤时,具体实现如下步骤:
获取鸟类的细节图像;对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集;采用第二样本数据集训练神经网络,以得到鸟类识别模型。
在一实施例中,处理器502在实现所述采用第二样本数据集训练神经网络,以得到鸟类识别模型步骤时,具体实现如下步骤:
将第二样本数据集划分为第二训练集以及第二测试集;设置resnet50算法训练的参数;使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型;采用第二测试集对第二初始模型进行测试,以得到第二测试结果;判断所述第二测试结果是否符合要求;若所述第二测试结果不符合要求,则执行所述设置resnet50算法训练的参数;若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
在一实施例中,处理器502在实现所述保存所述识别结果以及细节图像至数据库内步骤之后,还实现如下步骤:
对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;判断所述检测结果是否是有鸟类存在的结果;若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;保存所述识别结果以及细节图像至数据库内。
其中,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的;所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的步骤时,具体实现如下步骤:
获取鸟类图像;对鸟类图像进行鸟类位置标签的标注,以得到第一样本数据集;采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型步骤时,具体实现如下步骤:
将第一样本数据集划分为第一训练集以及第一测试集;设置YOLOV4算法训练的参数;使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型;采用第一测试集对第一初始模型进行测试,以得到第一测试结果;判断所述第一测试结果是否符合要求;若所述第一测试结果不符合要求,则执行所述设置YOLOV4算法训练的参数;若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的步骤时,具体实现如下步骤:
获取鸟类的细节图像;对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集;采用第二样本数据集训练神经网络,以得到鸟类识别模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述采用第二样本数据集训练神经网络,以得到鸟类识别模型步骤时,具体实现如下步骤:
将第二样本数据集划分为第二训练集以及第二测试集;设置resnet50算法训练的参数;使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型;采用第二测试集对第二初始模型进行测试,以得到第二测试结果;判断所述第二测试结果是否符合要求;若所述第二测试结果不符合要求,则执行所述设置resnet50算法训练的参数;若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述保存所述识别结果以及细节图像至数据库内步骤之后,还实现如下步骤:
对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.鸟类识别方法,其特征在于,包括:
获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;
将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;
判断所述检测结果是否是有鸟类存在的结果;
若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;
将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;
保存所述识别结果以及细节图像至数据库内;
其中,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络所得的;
所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的。
2.根据权利要求1所述的鸟类识别方法,其特征在于,所述鸟类检测模型是通过若干个鸟类位置标签的图像数据作为第一样本数据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的标注,以得到第一样本数据集;
采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型。
3.根据权利要求2所述的鸟类识别方法,其特征在于,所述采用第一样本数据集训练深度学习神经网络,以得到鸟类检测模型,包括:
将第一样本数据集划分为第一训练集以及第一测试集;
设置YOLOV4算法训练的参数;
使用第一训练集输入YOLOV4算法中进行网络模型训练,以得到第一初始模型;
采用第一测试集对第一初始模型进行测试,以得到第一测试结果;
判断所述第一测试结果是否符合要求;
若所述第一测试结果不符合要求,则执行所述设置YOLOV4算法训练的参数;
若所述第一测试结果符合要求,则将所述第一初始模型作为鸟类检测模型。
4.根据权利要求1所述的鸟类识别方法,其特征在于,所述鸟类识别模型是通过若干个鸟类别标签的图像数据作为第二样本数据训练神经网络所得的,包括:
获取鸟类的细节图像;
对鸟类的细节图像进行鸟类别标签的标注,以得到第二样本数据集;
采用第二样本数据集训练神经网络,以得到鸟类识别模型。
5.根据权利要求4所述的鸟类识别方法,其特征在于,所述采用第二样本数据集训练神经网络,以得到鸟类识别模型,包括:
将第二样本数据集划分为第二训练集以及第二测试集;
设置resnet50算法训练的参数;
使用第二训练集输入resnet50算法中进行网络模型训练,以得到第二初始模型;
采用第二测试集对第二初始模型进行测试,以得到第二测试结果;
判断所述第二测试结果是否符合要求;
若所述第二测试结果不符合要求,则执行所述设置resnet50算法训练的参数;
若所述第二测试结果符合要求,则将所述第二初始模型作为鸟类识别模型。
6.根据权利要求1所述的鸟类识别方法,其特征在于,所述保存所述识别结果以及细节图像至数据库内之后,还包括:
对数据库进行分析并制定相应的鸟类生态环境治理方案,以得到治理计划,并反馈所述治理计划至终端。
7.鸟类识别装置,其特征在于,包括:
全景图像获取单元,用于获取来自全景网络摄像机拍摄所得的图像,以得到全景图像;
鸟类检测单元,用于将所述全景图像输入鸟类检测模型中进行鸟类检测,以得到检测结果;
检测判断单元,用于判断所述检测结果是否是有鸟类存在的结果;
分割单元,用于若所述检测结果是有鸟类存在的结果,则获取来自球机的鸟类细节图像,并采用检测结果进行鸟类细节图像的分割,以得到细节图像;
识别单元,用于将所述细节图像输入鸟类识别模型中进行鸟类识别,以得到识别结果;
保存单元,用于保存所述识别结果以及细节图像至数据库内。
8.根据权利要求7所述的鸟类识别装置,其特征在于,还包括:
第一构建单元,用于通过若干个鸟类位置标签的图像数据作为第一样本数据训练深度学习神经网络,以得到鸟类检测模型。
9.一种计算机设备,其特征在于,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如权利要求1至6中任一项所述的方法。
10.一种存储介质,其特征在于,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如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557975.XA CN111709421B (zh) | 2020-06-18 | 2020-06-18 | 鸟类识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557975.XA CN111709421B (zh) | 2020-06-18 | 2020-06-18 | 鸟类识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709421A true CN111709421A (zh) | 2020-09-25 |
CN111709421B CN111709421B (zh) | 2023-06-27 |
Family
ID=72541434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010557975.XA Active CN111709421B (zh) | 2020-06-18 | 2020-06-18 | 鸟类识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709421B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541432A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种基于深度学习的视频牲畜身份认证***及方法 |
CN112668444A (zh) * | 2020-12-24 | 2021-04-16 | 南京泓图人工智能技术研究院有限公司 | 一种基于YOLOv5的鸟类检测与识别方法 |
CN113076860A (zh) * | 2021-03-30 | 2021-07-06 | 南京大学环境规划设计研究院集团股份公司 | 一种野外场景下的鸟类检测*** |
CN114912612A (zh) * | 2021-06-25 | 2022-08-16 | 江苏大学 | 鸟类识别方法、装置、计算机设备及存储介质 |
CN115100687A (zh) * | 2022-07-18 | 2022-09-23 | 中国科学院半导体研究所 | 生态区内的鸟类检测方法、装置以及电子设备 |
CN115690448A (zh) * | 2022-11-09 | 2023-02-03 | 广东省科学院动物研究所 | 一种基于ai的鸟类物种识别方法及装置 |
CN118097721A (zh) * | 2024-04-29 | 2024-05-28 | 江西师范大学 | 基于多源遥感观测和深度学习的湿地鸟类识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107087144A (zh) * | 2017-05-13 | 2017-08-22 | 西安费斯达自动化工程有限公司 | 全景与精准图像/球冠可变励磁鸟鸣声一体化探测*** |
CN109033975A (zh) * | 2018-06-27 | 2018-12-18 | 山东大学 | 一种岸滩监测中的鸟类检测、识别与追踪方法及装置 |
CN110059641A (zh) * | 2019-04-23 | 2019-07-26 | 重庆工商大学 | 基于多预置点的深度鸟类识别算法 |
CN110889841A (zh) * | 2019-11-28 | 2020-03-17 | 江苏电力信息技术有限公司 | 一种基于YOLOv3的输电线路鸟类检测算法 |
CN110969107A (zh) * | 2019-11-25 | 2020-04-07 | 上海交通大学 | 基于网络模型鸟类种群识别分析方法及*** |
-
2020
- 2020-06-18 CN CN202010557975.XA patent/CN111709421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107087144A (zh) * | 2017-05-13 | 2017-08-22 | 西安费斯达自动化工程有限公司 | 全景与精准图像/球冠可变励磁鸟鸣声一体化探测*** |
CN109033975A (zh) * | 2018-06-27 | 2018-12-18 | 山东大学 | 一种岸滩监测中的鸟类检测、识别与追踪方法及装置 |
CN110059641A (zh) * | 2019-04-23 | 2019-07-26 | 重庆工商大学 | 基于多预置点的深度鸟类识别算法 |
CN110969107A (zh) * | 2019-11-25 | 2020-04-07 | 上海交通大学 | 基于网络模型鸟类种群识别分析方法及*** |
CN110889841A (zh) * | 2019-11-28 | 2020-03-17 | 江苏电力信息技术有限公司 | 一种基于YOLOv3的输电线路鸟类检测算法 |
Non-Patent Citations (2)
Title |
---|
SEOLHEE LEE,ETC: "Bird Detection in Agriculture Environment using Image Processing and Neural Network" * |
刘坚: "基于深度神经网络的鸟类图像识别***设计" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541432A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种基于深度学习的视频牲畜身份认证***及方法 |
CN112668444A (zh) * | 2020-12-24 | 2021-04-16 | 南京泓图人工智能技术研究院有限公司 | 一种基于YOLOv5的鸟类检测与识别方法 |
CN113076860A (zh) * | 2021-03-30 | 2021-07-06 | 南京大学环境规划设计研究院集团股份公司 | 一种野外场景下的鸟类检测*** |
CN113076860B (zh) * | 2021-03-30 | 2022-02-25 | 南京大学环境规划设计研究院集团股份公司 | 一种野外场景下的鸟类检测*** |
CN114912612A (zh) * | 2021-06-25 | 2022-08-16 | 江苏大学 | 鸟类识别方法、装置、计算机设备及存储介质 |
CN115100687A (zh) * | 2022-07-18 | 2022-09-23 | 中国科学院半导体研究所 | 生态区内的鸟类检测方法、装置以及电子设备 |
CN115690448A (zh) * | 2022-11-09 | 2023-02-03 | 广东省科学院动物研究所 | 一种基于ai的鸟类物种识别方法及装置 |
CN118097721A (zh) * | 2024-04-29 | 2024-05-28 | 江西师范大学 | 基于多源遥感观测和深度学习的湿地鸟类识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111709421B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709421A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
CN108197658B (zh) | 图像标注信息处理方法、装置、服务器及*** | |
WO2021047232A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
US20200134377A1 (en) | Logo detection | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN111309618B (zh) | 页面元素定位方法、页面测试方法及相关装置 | |
CN111709374A (zh) | 鸟情检测方法、装置、计算机设备及存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN111325217A (zh) | 数据处理方法、装置、***和介质 | |
CN111080697B (zh) | 检测目标对象方向的方法、装置、计算机设备和存储介质 | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN113780116A (zh) | ***分类方法、装置、计算机设备和存储介质 | |
CN116363583A (zh) | 一种用于顶视角的人体识别方法、装置、设备及介质 | |
CN115171192A (zh) | 一种人脸关键点检测方法及装置 | |
CN109726741B (zh) | 一种多目标物体的检测方法及装置 | |
Williams et al. | Detecting marine animals in underwater video: Let's start with salmon | |
CN110991235B (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
CN112330652A (zh) | 基于深度学习的染色体识别方法、装置和计算机设备 | |
CN111144294A (zh) | 目标识别方法、装置、计算机设备及可读存储介质 | |
CN111402275A (zh) | 镂空检测方法、***、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |