CN112419202B - 基于大数据及深度学习的野生动物图像自动识别*** - Google Patents
基于大数据及深度学习的野生动物图像自动识别*** Download PDFInfo
- Publication number
- CN112419202B CN112419202B CN202011442143.XA CN202011442143A CN112419202B CN 112419202 B CN112419202 B CN 112419202B CN 202011442143 A CN202011442143 A CN 202011442143A CN 112419202 B CN112419202 B CN 112419202B
- Authority
- CN
- China
- Prior art keywords
- image
- database
- wild animal
- result
- quality
- 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.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 171
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000011084 recovery Methods 0.000 claims abstract description 8
- 238000013079 data visualisation Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003707 image sharpening Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000007726 management method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于大数据及深度学***。
Description
技术领域
本发明涉及基于人工智能的野生动物监测图像处理技术领域,具体涉及一种基于大数据及深度学习的野生动物图像自动识别***。
背景技术
生态文明建设是我国的基本国策,而野生动物资源保护则是维系生态平衡的重要手段。为了助力野生动物的科学、有效保护,需要收集大量丰富的野生动物监测信息,传统的监测手段及数据处理方式效率低下且需要耗费大量的人力物力财力。***化、智能化的野生动物监测***是未来主要的发展趋势。
基于无线传感网络的监测手段具有应用范围广、使用效率高且环境侵入性小的特点,目前已经成为最主要的监测手段。然而,野外环境下,野生动物监测存在一定的特殊性,采集到的野生动物监测图像存在以下特点:自然环境的天气变化或者偶尔的异动会导致监测设备的误触发,进而产生较多无野生动物的无效图像;监测图像中包含复杂的背景信息,影响野生动物的检测与识别;野生动物的活动具有随机性与隐蔽性,导致监测图像中野生动物的目标位置、大小不固定;考虑到传感器节点的功耗限制以及保护区内信号传输环境欠佳,通过无线传感器网络采集的监测图像质量较低,并且存在信息丢失的情况。上述问题给野生动物的自动识别分类带来了挑战。
发明内容
针对现有技术中的技术缺陷,本发明实施例的目的在于提供一种基于大数据及深度学习的野生动物图像自动识别***、方法及电子设备,主要解决以下相关技术问题:
1.面对野生动物监测***采集到的海量野生动物数据,基于分布式数据管理***实现数据的高效存储及管理,便于后期对数据的调取、分析及应用。
2.通过压缩传输后的野生动物图像数据具有图像质量低,可参考价值不高的特点,本发明通过一种超分辨率的图像恢复技术实现低分辨率的图像重建,为数据分析提供有实用参考价值的数据基础。
3.面对海量图像人工识别难度大,无效图像比例大且野生动物监测图像背景区域复杂的特点,本发明将深度学习应用到野生动物监测图像识别领域,为实现高效的野生动物检测与识别提供了可能。
为此,本发明所提供的技术方案如下:
第一方面,本发明实施例提供了一种基于大数据及深度学习的野生动物图像自动识别***,包括:
野生动物图像监测数据库:采用分布式存储架构,存储及管理海量野生动物图像数据;所述野生动物图像监测数据库包括原始图像数据库、历史图像数据库、图像分类数据库和分析结果数据库;
图像重建模块:基于超编分辨率图像恢复技术,对所述原始图像数据库中的图像数据进行图像重建;
图像识别分析模块:根据所述历史图像数据库中的图像数据进行深度卷积神经网络模型训练,以得到图像识别分析模型;采用所述图像识别分析模型对所述图像重建模块的输出结果或图像分类数据库中的图像数据进行识别分析,以得到识别结果和分析结果;将所述识别结果存储至所述图像分类数据库,将所述分析结果存储至所述分析结果数据库。
在本申请的某些具体实施方式中,所述图像分类数据库包括待删除无效图像数据库,所述图像重建模块具体用于:
图像质量等级划分:基于图像传输中的误码率,对所述原始图像数据库中的图像数据进行质量等级划分,得到低质量图像和无效样本图像,删除所述无效样本图像,并将所述无效样本图像存储至所述待删除无效图像数据库;
低质量图像预处理:对所述低质量图像进行像素扩充预处理;
图像增强处理:采用图像锐化的方式提高预处理后的低质量图像的清晰度,并进行去噪处理;
图像恢复处理:对图像增强处理后的低质量图像进行超像素分割,得到稀疏深度图,对所述稀疏深度图进行图像恢复。
在本申请的某些具体实施方式中,所述图像识别分析模块具体用于:
历史图像训练:从所述历史图像数据库中导入原始图像样本库;从所述原始图像样本库中提取感兴趣区域,建立感兴趣区域图像样本库;将所述感兴趣区域图像样本库和未经感兴趣区域提取的图像同时输入双通道VGG16网络进行模型训练,得到图像识别分析模型;
原始图像识别:从所述原始图像数据库或分类图像数据库中导入待识别图像;对所述待识别图像进行感兴趣区域提取,得到感兴趣区域图像;将所述感兴趣区域图像输入图像识别分析模型进行识别,输出识别结果。
在本申请的某些具体实施方式中,所述图像分类数据库还包括野生动物图像数据库集和待处理图像数据库;
若所述待识别图像来自于所述图像重建模块,且识别结果满足以下条件则执行相应操作:若识别结果图片中不包含野生动物图像,则将图片标记为误触发图像并将其转入图像分类数据库中的待删除无效图像数据库;若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中的待处理图像数据库;
若待识别的图像来自于待处理图像数据库,且识别结果满足以下条件则执行相应操作:若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中待处理图像数据库。
进一步地,在本申请的某些优选实施方式中,所述***还包括展示模块:基于数据可视化搭建前端可视化界面;
所述可视化界面用于:
展示导入野生动物图像自动识别***的单张监测图像及对其自动识别的识别结果;
展示导入野生动物图像自动识别***的批量监测图像及对其自动识别的统计数据;
展示所述分析结果,所述分析结果包括动物栖息地分布、行为节律或种群分布。
第二方面,本发明实施例提供了一种基于大数据及深度学习的野生动物图像处理方法,包括:
获取来自于历史图像数据库的历史图像,并根据所述历史图像进行训练,以得到图像识别分析模型;
获取来自于原始图像数据库的原始图像,基于超编分辨率图像恢复技术,对所述原始图像进行图像重建,得到待识别图像;
采用所述图像识别分析模型对所述待识别图像进行识别分析,得到识别结果和分析结果;
将所述识别结果存储至图像分类数据库,将所述分析结果存储至分析结果数据库。
第三方面,本发明实施例提供了一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第二方面所述的方法。
与现有技术相比,实施本发明实施例基于大数据及深度学习的野生动物图像自动识别***,具有以下有益效果:
1.本发明基于野生动物图像数据量大且复杂的特点,在建立野生动物图像数据库时,采用分布式存储模型架构实现海量数据的高效存储及管理,便于数据的检索及分析。
2.本发明基于超分辨率图像恢复技术实现图像的恢复重建,可大幅提高自动识别***的识别准确率,提供有实际应用价值的图像数据。
3.本发明中基于感兴趣区域与卷积神经网络的野生动物自动识别算法基于野生动物监测图像特点开发,可减少复杂背景对图像识别的影响,提高图像识别的准确率。
4.本发明将大数据和深度学***,可为野生动物保护提供更为宏观的数据分析,为野生动物保护政策的制定提供数据基础。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明基于大数据及深度学习的野生动物图像自动识别***整体***框图;
图2为本发明的野生动物图像监测数据库的组成框架图;
图3为本发明的超分辨率图像恢复技术的整体方法流程图;
图4为像素值的权重确定示意图;
图5为本发明的超分辨率图像恢复技术的图像恢复流程图;
图6为本发明的深度学习的野生动物自动识别方法流程图;
图7为本发明的深度学习双通道网络模型图;
图8为本发明基于大数据及深度学习的野生动物图像处理方法的流程图;
图9为本发明电子设备的结构图。
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。
本发明的发明构思是:提供一种基于大数据及深度学习的野生动物图像自动识别***。该***以野生动物监测图像数据库为主体,结合超分辨率图像恢复技术及神经网络野生动物自动识别算法实现对野生动物数据的处理及分析,并通过数据可视化搭建***的前端界面。
如图1所示,该***主要包括:
A1、野生动物图像监测数据库:采用分布式存储架构,存储及管理海量野生动物图像数据。
所述野生动物图像监测数据库的原始数据来源于部署于野生动物监测区域内的无线传感网络;所述无线传感网络由采集野生动物监测图像的终端节点、进行网络中继传输的协调节点组成,终端节点利用摄像头红外感应触发拍摄野生动物监测图像,通过网络多级传输到协调节点进行图像的回传;所述野生动物图像监测数据根据存储图像的特点采用分布式数据存储架构。
A1、图像重建模块:基于超编分辨率图像恢复技术,对原始图像数据库中的图像数据进行图像重建。
所述超分辨率图像恢复技术主要是对低质量的图像进行像素的自动修复,增强图像的细节信息,扩充图像分辨率,并恢复因为传输误码造成的图像信息丢失区域。
A3、图像识别分析模块:根据历史图像数据库中的图像数据进行深度卷积神经网络模型训练,以得到图像识别分析模型;采用所述图像识别分析模型对所述图像重建模块的输出结果或图像分类数据库中的图像数据进行识别分析,以得到识别结果和分析结果;将所述识别结果存储至所述图像分类数据库,将所述分析结果存储至所述分析结果数据库。
深度学习是基于深度卷积神经网络实现的,具体的为基于感兴趣区域与卷积神经网络的野生动物自动识别算法;所述野生动物图像自动识别的结果包含野生动物的物种、数量等信息,标记动物所在区域;所述野生动物图像自动识别的结果可用于无效图像的剔除、单张及批量图像的识别分析、图像数据的分类存储等。
A4、展示模块:基于数据可视化搭建***前端可视化界面。
***前端可视化界面主要是基于人机友好的交互界面实现对野生动物图像的自动识别及分析的结果可视化。
进一步地,如图2所示,本发明实施例中的野生动物图像监测数据库主要包括原始图像数据库、历史图像数据库、图像分类数据库以及分析结果数据库四部分。
其中,原始图像数据库主要用于存储数据接收端收集到的所有原始数据,所述原始数据是指包含有拍摄时间、拍摄地点等标签的且未处理的经过压缩编码的图像数据。
历史图像数据库主要用于存储在我国多个自然保护区采集到的历史野生动物监测图像数据,并附有图像拍摄时间与拍摄地点信息,且在专业的野生动物保护专家的指导下进行数据库图像的人工标定工作。该数据库主要作为深度学习自动识别***的训练数据集。
图像分类数据库包含若干子数据库,具体的,若干子数据库包括待删除无效图像数据库、待处理图像数据库、野生动物图像数据库集。
其中,所述待删除无效图像数据库主要用于短时存储传输误码率高的图像以及经深度学习自动识别***认定的误触发图像,该数据库数据定时进行清除以降低所占用的存储空间;所述待处理图像数据库包括需二次识别数据库以及需人工识别数据库,其中前者用于存储经深度学习自动识别***一次识别后识别精度不高且非误触发图像需二次识别的野生动物图像,后者用于存储经深度学习自动识别***二次识别后识别精度不高需人工识别的野生动物图像;所述野生动物图像数据库集是指由若干根据野生动物物种属性等要素为标签的子数据库的集合,其主要存储经深度学习自动识别***识别确定后的图像数据。
分析结果数据库主要用于存储对野生动物监测图像数据库数据进行分析得到的结果信息,包含野生动物栖息地分析、群体行为识别分析等相关数据。
再请参考图3,本实施例中关于超分辨率图像恢复技术的整体流程包括:
A2-1、图像质量等级划分。
将原始图像数据库中的图像数据导入,首先基于图像传输中的误码率对图像的质量等级进行划分。所述误码率ems的判断依据如下:
其中,传输的总码数为图像的总像素点数,假设原始采集图像的位置(i,j)处的像素值被表示为T(i,j),最终经过多级传输得到的图像位置的像素值表示R(i,j),如果R(i,j)-T(i,j)≠0,则误码数加一。
根据对采集到的监测图像进行分析,将监测图像按误码率的高低分成以下4种质量等级:ems<5%,则图像的质量等级为A;5%≤ems<10%,则图像的质量等级为B;10%≤ems<30%,则图像的质量等级为C;ems≥30%,则图像的质量等级为D。
优选的,对图像质量等级为D的原始图像认定为无效样本,将其转入待删除无效图像数据库。
A2-2、低质量图像预处理。
对质量等级分别为A、B、C的低质量野生动物监测图像分别进行图像预处理,图像预处理即对图像进行像素扩充,具体如下:
采用双三次插值法进行图像的扩充。三次插值利用目标点周围16个像素点的灰度值作三次插值,可以得到更接近高分辨率图像的放大效果,需要选取插值基函数来拟合数据,其中,构造的插值基函数如下式:
每个像素值的权重由该目标点到待求像素点的距离确定,这个距离包括水平和竖直两个方向上的距离。如图4所示,以像素点a00为例,目标点在竖直和水平方向上与a00像素点的距离分别是1+u和1+v,则a00像素点的权重为w=w(1+u)×w(1+v)。则目标点像素值f(i+u,j+v)的计算方法如下式所示。
A=[w(1+u)w(u)w(1-u)w(2-u)]T
C=[w(1+v)w(v)w(1-v)w(2-v)]
f(i+u,j+v)=C×B×A
其中,w(x)表示插值基函数,(i,j)表示目标点在原图中像素点的坐标值,u,v分别表示目标点在竖直和水平方向上与原图中像素点的距离,f(i+u,j+v)表示目标点的像素值,A表示原图像素点在竖直方向上的权重向量,C表示原图像素点在水平方向上的权重方向,B表示原图中周围16个像素点的像素值。
A2-3、图像增强。采用图像锐化的方式对图像清晰度进行提高,并同时对图像进行去噪处理。具体如下:
首先采用中值滤波对图像进行去噪处理,中值滤波是将某个像素点的值用规定范围内的像素点的中值做替换,可以达到消除孤立噪声点的效果,同时也可以保留图像的边缘。再将去噪后的图像采用基于Sobel算子的边缘检测方法进行锐化,Sobel算法通过水平和垂直方向的两个模板对图像的边缘进行检测,输出图像的边缘信息。将检测的边缘图像与原图合成,完成图像的锐化。
A2-4、图像恢复。图5为超分辨率图像恢复技术的图像恢复流程图,基于超分辨率图像恢复技术实现图像的恢复重建,首先对处理后的图像进行超像素分割,然后获得相应的稀疏深度图,最后进行图像恢复。具体如下:
首先对RGB图像进行超像素分割;然后将分割后的RGB图像与原始深度图像配准;接着将像素块按照所在区域划分为包含边缘处像素的孔洞像素和不包含边缘处像素的孔洞像素两大类。计算出边缘孔洞像素的散焦模糊量,包含边缘处像素的孔洞像素模块散焦模糊量大小定义为其边缘处像素散焦模糊量的平均值。
然后通过一个关联模型根据与其最相邻的包含边缘处像素的孔洞像素模块推算求出不包含边缘处像素的孔洞像素模块的散焦模糊量。关联模型如下:
然后根据下述公式选择出与不包含边缘处像素的孔洞像素模块spi相关联的包含边缘处像素的孔洞像素模块的散焦模糊量大小就是spi的散焦模糊量。
根据各个超像素模块的散焦模糊量,获得超像素级别的稀疏深度图,对各个像素块进行稀疏表示再对稀疏深度图进行优化处理,降低误差,最后进行图像恢复。
其中,σspi表示超像素模块spi的散焦模糊量;表示边缘处第k个像素的散焦模糊量;nspi表示边缘处像素的数量;spi,spj分别表示被动超像素模块和主动超像素模块;hi,hj分别为被动超像素模块和主动超像素模块的中心;ci,cj分别为被动超像素模块和主动超像素模块的颜色均值;ρh,ρc分别为被动超像素模块和主动超像素模块之间欧几里得距离和颜色权值计算过程中的预设参数值;/>表示被动超像素模块和主动超像素模块的相似关联模型;/>表示被动超像素模块的散焦模糊量。
再请参考图6,本实施例中基于深度学习的野生动物自动识别方法具体包括:
针对红外自动感应相机在野外环境下拍摄的野生动物监测图像,首先基于回归算法的目标检测实现监测图像中感兴趣区域的提取,再结合全局-局部的双通道卷积神经网络来实现野生动物监测图像的自动识别。
具体的,首先对图像中野生动物所在的区域进行检测,并实现自动的分割与裁剪,得到以动物为主体的图像集(感兴趣区域图像);并提出一种双通道模型,将未经感兴趣区域提取的图像以及感兴趣区域图像同时输入VGG16网络进行训练。特征提取层基于图像数据库预训练得到的参数进行微调。最后将特征输入分类器输出最终的识别结果。该方法可以克服背景信息对图像识别的影响。
所述野生动物自动识别算法分为历史图像的训练以及图像的识别两部分。所述历史图像的训练包括以下步骤:
A3-1-1、导入原始图像样本库。
A3-1-2、目标检测提取感兴趣区域。
A3-1-3、建立感兴趣区域图像样本库。
A3-1-4、建立双通道VGG16网络。
A3-1-5、进行模型训练。
所述图像的识别包括以下步骤:
A3-2-1、导入待识别的图像。
A3-2-2、目标检测提取感兴趣区域。
A3-2-3、感兴趣区域图像。
A3-2-4、识别***进行图像的识别。
A3-2-5、输出识别结果。
具体的,感兴趣区域的提取采用基于回归算法的目标检测技术实现,首先将图像尺寸修改为448×448,输入网络进行预测,网络输出为S×S×(B×5+C)的张量,其中,S为划分网格数,B为网络预测边框数,C为类别个数。然后将整幅图像划分为S×S个网格,每个网格预测B个检测边界框,每个框置信度的计算公式如下:
Confidence=Pr(Object)×IOU
其中,Pr(Object)为边界框包含目标物体的概率;BBgt为基于训练标签的参考标准框;BBdt为检测边界框;area表示面积。
本实施例使用的S=7,即将输入图像首先分为7×7=49个网格,每个网格预测B=2个检测边界框,在算法中每个检测边界框除了置信度还包括x、y、w、h这四个参数。其中x、y就代表了这个检测边界框的具***置,w、h则是这个检测边界框的宽度和高度。此处仅做野生动物区域回归,不做物种的具体类别预测,因此C取1,最后的输出是7×7×(2×5+1)的张量。采用误差平方和作为损失函数,计算公式如下:
其中,表示第i个网格中第j个负责预测的预测器。S为划分网格数,B为网络预测边框数。xi,yi为第i个检测边界框的中心相对其母网格的位置,wi,hi的值则分别代表该检测边界框的高和宽。
在每一张图像中,会存在很多并不包含物体的网格,这些网格的置信度为0,从而导致它们的训练梯度较大,这个问题也会影响到整个检测网络的稳定性,甚至导致网络发散。为了解决这个问题,本实施例在检测的过程中给定位误差更大的权重,取λcoord=5。
按照检测得到的野生动物所在区域的坐标(包含左上角坐标[x1,y1]及右下角坐标[x2,y2])对图像进行自动切割,输出感兴趣区域图像,建立野生动物监测图像的感兴趣区域数据集,为下一步野生动物的自动识别提供数据基础。
具体的,双通道卷积神经网络采用VGG16网络,即包含16个权重层的网络结构。该网络的前五部分架构均为多个卷积层串联,最后接入一个最大池化层,其中卷积层采用3×3的小型卷积核。最后一部分是三个全连接层和一个Softmax层。将图像输入到该模型,通过以上层的卷积、池化等操作,得到多维的特征图。每一层输出的特征图通常表示为:
式中,和/>分别为第l层(当前层)第l-1层(上一层)的第n个和第m个特征图,表示在两个图之间进行操作的卷积核。f(x)为激活函数,/>代表偏置项。
池化层用于特征映射和降维,本发明采用最大值池化,对卷积特征图进行下采样后构成池化特征图,通常表示为:
式中s是选取的下采样模板,为模板的权值。经过多层级联后,全连接层对最后一个池化层输出的特征图作矢量变换,构成特征向量输送到分类层。
搭建基于VGG16的双通道网络模型见图7,其中包括网络通道G1和网络通道G2,将未经感兴趣区域提取的图像样本库与经感兴趣区域提取后的感兴趣区域图像样本库作为训练样本,分别输入G1与G2,以Softmax作为分类器,分别输出预测概率矩阵PG1与PG2。
其中,Pi_j表示网络输出的预测概率,i∈{1,2},分别对应网络通道G1与G2,j∈{1,2…n},分别对应n种被预测的物种。PG1与PG2为数量为n的行向量,概率矩阵满足各类预测概率之和为1,即满足
最后通过分类概率融合将概率矩阵PG1与PG2相加取平均值,得到最终的识别概率矩阵Q,并输出矩阵中概率最大值所对应的物种作为识别的结果。
优选的,所述图像样本库来自于历史图像数据库;所述待识别的图像来自于经超分辨率图像恢复技术处理后得到的图像以及图像分类数据库中待处理图像数据库下的需二次识别数据库;
作为本实施例的具体补充,对根据图像识别的结果采取如下相应操作:
若待识别的图像来自于经超分辨率图像恢复技术处理后得到的图像且根据上述步骤识别后的结果满足以下条件则执行相应操作:若识别结果图片中不包含野生动物图像,则将图片标记为误触发图像并将其转入图像分类数据库中待删除无效图像数据库;若识别结果识别出野生动物图像且结果精度大于等于设定阈值时则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值时则将其转入图像分类数据库中待二次处理图像数据库。
若待识别的图像来自于野生动物图像监测数据库中图像分类数据库中待处理图像数据库下的需二次识别数据库的图像数据且根据上述步骤识别后的结果满足以下条件则执行相应操作:若识别结果识别出野生动物图像且结果精度大于等于设定阈值时则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值时则将其转入图像分类数据库中待处理图像数据库中需人工识别数据库。
进一步地,本实施例中对基于数据可视化的自动识别***前端可视化界面具体规划如下:
所述可视化界面包含深度学习自动识别***的结果展示以及基于野生动物数据分析的结果展示。前者包含单张监测图像的导入及自动识别结果展示以及批量监测图像数据的导入及批量识别数据统计展示;后者在采集到足量的视频与图像的基础上,分析动物的栖息地分布、行为节律、种群分布等信息并将结果通过图表等形式进行数据的可视化展示。
与现有技术相比,实施本发明实施例基于大数据及深度学习的野生动物图像自动识别***,具有以下有益效果:
1.本发明基于野生动物图像数据量大且复杂的特点,在建立野生动物图像数据库时,采用分布式存储模型架构实现海量数据的高效存储及管理,便于数据的检索及分析。
2.本发明基于超分辨率图像恢复技术实现图像的恢复重建,可大幅提高自动识别***的识别准确率,提供有实际应用价值的图像数据。
3.本发明中基于感兴趣区域与卷积神经网络的野生动物自动识别算法基于野生动物监测图像特点开发,可减少复杂背景对图像识别的影响,提高图像识别的准确率。
4.本发明将大数据和深度学***,可为野生动物保护提供更为宏观的数据分析,为野生动物保护政策的制定提供数据基础。
基于相同的发明构思,本发明实施例还提供了一种基于大数据及深度学习的野生动物图像处理方法,如图8所示,包括:
S101,获取来自于历史图像数据库的历史图像,并根据所述历史图像进行训练,以得到图像识别分析模型;
S102,获取来自于原始图像数据库的原始图像,基于超编分辨率图像恢复技术,对所述原始图像进行图像重建,得到待识别图像;
S103,采用所述图像识别分析模型对所述待识别图像进行识别分析,得到识别结果和分析结果;
S104,将所述识别结果存储至图像分类数据库,将所述分析结果存储至分析结果数据库。
进一步地,对所述原始图像进行图像重建,具体包括:
图像质量等级划分:基于图像传输中的误码率,对所述原始图像进行质量等级划分,得到低质量图像和无效样本图像,删除所述无效样本图像,并将所述无效样本图像存储至所述图像分类数据库中的待删除无效图像数据库;
低质量图像预处理:对所述低质量图像进行像素扩充预处理;
图像增强处理:采用图像锐化的方式提高预处理后的低质量图像的清晰度,并进行去噪处理;
图像恢复处理:对图像增强处理后的低质量图像进行超像素分割,得到稀疏深度图,对所述稀疏深度图进行图像恢复。
进一步地,所述方法还包括:
若识别结果图片中不包含野生动物图像,则将图片标记为误触发图像并将其转入图像分类数据库中的待删除无效图像数据库;
若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中的野生动物图像数据库集对应标签的子数据库中;
若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中的待处理图像数据库。
需要说明的是,上述方法实施例仅描述了待识别图像来自于图像重建后的情况。若待识别图像来自于图像分类数据库中的待处理图像数据库,且识别结果满足以下条件则执行相应操作:若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中待处理图像数据库。
需要注意的是,关于方法实施例部分更为具体的描述,请参考前述***实施例部分,在此不再赘述。
本发明实施例中,野生动物监测图像数据库用于野生动物图像及相关信息的存储管理,超分辨率图像恢复技术用于低质量压缩图像的恢复重建,自动识别算法是通过深度学***。
对应于该方法实施例,本发明实施例还提供了一种电子设备。如图9所示,电子设备可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述基于大数据及深度学习的野生动物图像处理方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器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。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。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于大数据及深度学习的野生动物图像处理方法的实施例中所描述的实现方式,在此不再赘述。
进一步地,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述基于大数据及深度学习的野生动物图像处理方法。
所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元,例如***的硬盘或内存。所述计算机可读存储介质也可以是所述***的外部存储设备,例如所述***上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述***的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述***所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述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,可以存储在一个计算机可读取存储介质中。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,服务器,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)
1.一种基于大数据及深度学习的野生动物图像自动识别***,其特征在于,包括:
野生动物图像监测数据库:采用分布式存储架构,存储及管理海量野生动物图像数据;所述野生动物图像监测数据库包括原始图像数据库、历史图像数据库、图像分类数据库和分析结果数据库;
图像重建模块:基于超分辨率图像恢复技术,对所述原始图像数据库中的图像数据进行图像重建;
图像识别分析模块:根据所述历史图像数据库中的图像数据进行深度卷积神经网络模型训练,以得到图像识别分析模型;采用所述图像识别分析模型对所述图像重建模块的输出结果或图像分类数据库中的图像数据进行识别分析,以得到识别结果和分析结果;将所述识别结果存储至所述图像分类数据库,将所述分析结果存储至所述分析结果数据库;
所述图像分类数据库包括待删除无效图像数据库,所述图像重建模块具体用于:
图像质量等级划分:基于图像传输中的误码率,对所述原始图像数据库中的图像数据进行质量等级划分,得到低质量图像和无效样本图像,删除所述无效样本图像,并将所述无效样本图像存储至所述待删除无效图像数据库;
低质量图像预处理:对所述低质量图像进行像素扩充预处理;
图像增强处理:采用图像锐化的方式提高预处理后的低质量图像的清晰度,并进行去噪处理;
图像恢复处理:对图像增强处理后的低质量图像进行超像素分割,得到稀疏深度图,对所述稀疏深度图进行图像恢复;
其中,所述误码率ems的判断依据如下:
传输的总码数为图像的总像素点数,假设原始采集图像的位置(i,j)处的像素值被表示为T(i,j),最终经过多级传输得到的图像位置的像素值表示R(i,j),如果R(i,j)-T(i,j)≠0,则误码数加一;
将监测图像按误码率的高低分成以下4种质量等级:ems<5%,则图像的质量等级为A;5%≤ems<10%,则图像的质量等级为B;10%≤ems<30%,则图像的质量等级为C;ems≥30%,则图像的质量等级为D。
2.如权利要求1所述的***,其特征在于,所述图像增强处理具体包括:
采用中值滤波对预处理后的低质量图像进行去噪处理;
采用基于Sobel算子的边缘检测方法,对去噪后的低质量图像进行锐化。
3.如权利要求1所述的***,其特征在于,所述图像识别分析模块具体用于:
历史图像训练:从所述历史图像数据库中导入原始图像样本库;从所述原始图像样本库中提取感兴趣区域,建立感兴趣区域图像样本库;将所述感兴趣区域图像样本库和未经感兴趣区域提取的图像同时输入双通道VGG16网络进行模型训练,得到图像识别分析模型;
原始图像识别:从所述原始图像数据库或分类图像数据库中导入待识别图像;对所述待识别图像进行感兴趣区域提取,得到感兴趣区域图像;将所述感兴趣区域图像输入图像识别分析模型进行识别,输出识别结果。
4.如权利要求3所述的***,其特征在于,所述图像分类数据库还包括野生动物图像数据库集和待处理图像数据库;
若所述待识别图像来自于所述图像重建模块,且识别结果满足以下条件则执行相应操作:若识别结果图片中不包含野生动物图像,则将图片标记为误触发图像并将其转入图像分类数据库中的待删除无效图像数据库;若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中的待处理图像数据库;
若待识别的图像来自于待处理图像数据库,且识别结果满足以下条件则执行相应操作:若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中野生动物图像数据库集对应标签的子数据库中;若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中待处理图像数据库。
5.如权利要求1-4任一项所述的***,其特征在于,所述***还包括展示模块:基于数据可视化搭建前端可视化界面;
所述可视化界面用于:
展示导入野生动物图像自动识别***的单张监测图像及对其自动识别的识别结果;
展示导入野生动物图像自动识别***的批量监测图像及对其自动识别的统计数据;
展示所述分析结果,所述分析结果包括动物栖息地分布、行为节律或种群分布。
6.一种基于大数据及深度学习的野生动物图像处理方法,其特征在于,包括:
获取来自于历史图像数据库的历史图像,并根据所述历史图像进行训练,以得到图像识别分析模型;
获取来自于原始图像数据库的原始图像,基于超分辨率图像恢复技术,对所述原始图像进行图像重建,得到待识别图像;
采用所述图像识别分析模型对所述待识别图像进行识别分析,得到识别结果和分析结果;
将所述识别结果存储至图像分类数据库,将所述分析结果存储至分析结果数据库;
其中,对所述原始图像进行图像重建,具体包括:
图像质量等级划分:基于图像传输中的误码率,对所述原始图像进行质量等级划分,得到低质量图像和无效样本图像,删除所述无效样本图像,并将所述无效样本图像存储至所述图像分类数据库中的待删除无效图像数据库;
低质量图像预处理:对所述低质量图像进行像素扩充预处理;
图像增强处理:采用图像锐化的方式提高预处理后的低质量图像的清晰度,并进行去噪处理;
图像恢复处理:对图像增强处理后的低质量图像进行超像素分割,得到稀疏深度图,对所述稀疏深度图进行图像恢复;
其中,所述误码率ems的判断依据如下:
传输的总码数为图像的总像素点数,假设原始采集图像的位置(i,j)处的像素值被表示为T(i,j),最终经过多级传输得到的图像位置的像素值表示R(i,j),如果R(i,j)-T(i,j)≠0,则误码数加一;
将监测图像按误码率的高低分成以下4种质量等级:ems<5%,则图像的质量等级为A;5%≤ems<10%,则图像的质量等级为B;10%≤ems<30%,则图像的质量等级为C;ems≥30%,则图像的质量等级为D。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
若识别结果图片中不包含野生动物图像,则将图片标记为误触发图像并将其转入图像分类数据库中的待删除无效图像数据库;
若识别结果识别出野生动物图像且结果精度大于等于设定阈值,则将其按照识别结果转入图像分类数据库中的野生动物图像数据库集对应标签的子数据库中;
若识别出野生动物图像且结果精度小于设定阈值,则将其转入图像分类数据库中的待处理图像数据库。
8.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求6或7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442143.XA CN112419202B (zh) | 2020-12-11 | 2020-12-11 | 基于大数据及深度学习的野生动物图像自动识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442143.XA CN112419202B (zh) | 2020-12-11 | 2020-12-11 | 基于大数据及深度学习的野生动物图像自动识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419202A CN112419202A (zh) | 2021-02-26 |
CN112419202B true CN112419202B (zh) | 2023-09-26 |
Family
ID=74775891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011442143.XA Active CN112419202B (zh) | 2020-12-11 | 2020-12-11 | 基于大数据及深度学习的野生动物图像自动识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419202B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283306B (zh) * | 2021-04-30 | 2023-06-23 | 青岛云智环境数据管理有限公司 | 一种基于深度学习和迁移学习的啮齿动物识别分析的方法 |
CN113573140B (zh) * | 2021-07-09 | 2022-05-03 | 西安交通大学 | 一种支持人脸检测与实时超分辨率的码率自适应决策方法 |
CN113887460A (zh) * | 2021-10-12 | 2022-01-04 | 泰州市雷信农机电制造有限公司 | 用于通行验证的区块链应用平台 |
CN114429309B (zh) * | 2022-02-08 | 2022-11-08 | 深圳市润信数据技术有限公司 | 基于人工智能的区域数据检测平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783961A (zh) * | 2010-03-05 | 2010-07-21 | 厦门大学 | 基于感知质量的水下视频图像传输控制方法 |
CN104796718A (zh) * | 2015-04-23 | 2015-07-22 | 南京工程学院 | Wmsn中基于cs的分布式视频编码的传输方法 |
CN105074789A (zh) * | 2013-04-09 | 2015-11-18 | 热成像雷达有限责任公司 | 火灾检测*** |
CN110598461A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 野生动物信息管理方法、装置、终端、***及存储介质 |
-
2020
- 2020-12-11 CN CN202011442143.XA patent/CN112419202B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783961A (zh) * | 2010-03-05 | 2010-07-21 | 厦门大学 | 基于感知质量的水下视频图像传输控制方法 |
CN105074789A (zh) * | 2013-04-09 | 2015-11-18 | 热成像雷达有限责任公司 | 火灾检测*** |
CN104796718A (zh) * | 2015-04-23 | 2015-07-22 | 南京工程学院 | Wmsn中基于cs的分布式视频编码的传输方法 |
CN110598461A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 野生动物信息管理方法、装置、终端、***及存储介质 |
Non-Patent Citations (2)
Title |
---|
"基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别";刘文定 等;《北京林业大学学报》 * |
"自然保护区海量视频数据快速分析与检索";谢琳 等;《计算机***应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419202A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别*** | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、***、设备和介质 | |
CN107784288B (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN111652869B (zh) | 基于深度学习的板坯空洞识别方法、***、介质及终端 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN111931931A (zh) | 一种针对病理全场图像的深度神经网络训练方法、装置 | |
WO2023116632A1 (zh) | 基于时空记忆信息的视频实例分割方法和分割装置 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
EP3857449A1 (en) | Apparatus and method for three-dimensional object recognition | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及*** | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN114548606A (zh) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN110378241B (zh) | 作物生长状态监控方法、装置、计算机设备及存储介质 | |
CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 | |
CN114494441B (zh) | 基于深度学习的葡萄及其采摘点同步识别定位方法、装置 | |
CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN113537199B (zh) | 图像边界框筛选方法、***、电子装置及介质 | |
CN117611580B (zh) | 瑕疵检测方法、装置、计算机设备和存储介质 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 |
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 |