CN113516046A - 区域内生物多样性的监测方法、装置、设备以及存储介质 - Google Patents
区域内生物多样性的监测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113516046A CN113516046A CN202110542276.2A CN202110542276A CN113516046A CN 113516046 A CN113516046 A CN 113516046A CN 202110542276 A CN202110542276 A CN 202110542276A CN 113516046 A CN113516046 A CN 113516046A
- Authority
- CN
- China
- Prior art keywords
- biological
- characteristic
- organism
- information
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- UELITFHSCLAHKR-UHFFFAOYSA-N acibenzolar-S-methyl Chemical compound CSC(=O)C1=CC=CC2=C1SN=N2 UELITFHSCLAHKR-UHFFFAOYSA-N 0.000 claims 2
- 241000282414 Homo sapiens Species 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种区域内生物多样性的监测方法,包括:获取所述区域内的拍摄信息;通过不同的特征提取模型从所述拍摄信息中提取各生物各自对应的特征集;将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。本发明的有益效果:实现了对生物多样性的自动追踪调查,且无需大量的人力资源,可以更加高效、准确以及实时的对区域内的生物多样性进行调查。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种区域内生物多样性的监测方法、装置、设备以及存储介质。
背景技术
当前社会经济高速发展,环境问题日渐突出,因为生态环境的破坏,导致越来越多的生物种类的灭绝,而生物多样性是人类赖以生存和发展的基础,是人类健康的基本要素。所以对于区域内的生物多样性追踪调查具有很大的研究意义,目前调查生物多样性的方法大都通过人类进行跟踪观察统计的方式,然而这种以人工统计学方式进行数据的搜集以及统计,统计人力成本比较高,且效率较低。
发明内容
本发明的主要目的为提供一种区域内生物多样性的监测方法、装置、设备以及存储介质,旨在解决统计生物多样性时,人工统计学方式进行数据的搜集以及统计,导致统计人力成本比较高,且效率较低的问题。
本发明提供了一种区域内生物多样性的监测方法,包括:
获取所述区域内的拍摄信息;
通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;
将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;
将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
本发明还提供了一种区域内生物多样性的监测装置,包括:
获取模块,用于获取所述区域内的拍摄信息;
提取模块,用于通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;
特征比较模块,用于将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;信息比较模块,用于将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
更新模块,用于根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:通过在拍摄信息中提取到对应的特征集,然后根据特征集与预设的生物特征库进行比较,从而得到不同的生物个体信息,然后将对应的生物个体信息与区域生物数据库中的生物进行比较,根据比较结果对区域生物数据库进行更新,从而实现了对生物多样性的自动追踪调查,且无需大量的人力资源,可以更加高效、准确以及实时的对区域内的生物多样性进行调查。
附图说明
图1是本发明一实施例的一种区域内生物多样性的监测方法的流程示意图;
图2是本发明一实施例的一种区域内生物多样性的监测装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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,所描述的实施例仅仅是本发明的一部分实施例,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作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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种区域内生物多样性的监测方法,包括:
S1:获取所述区域内的拍摄信息;
S2:通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;
S3:将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;
S4:将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
S5:根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
如上述步骤S1所述,获取所述区域内的拍摄信息。其中,区域可以是一个流域、或者公园,其采集拍摄信息的方式要通过引入高清摄像头设备进行拍摄,在监测的范围内,若为流域,则可以每隔一段距离在水面和水下都安装360度全景摄像机,实时监测区域范围内动物的照片拍摄和视频上传。拍摄信息可以是视频信息和/或图片信息,拍摄的方式不做限定,例如可以设置摄像头每隔10s拍摄一张照片以及这段区间的视频,通过互联网http协议上传到后端服务器。后端服务器接收到前端的请求,将前端传过来的照片和视频以及时间分开进行存储,照片和视频按照日期分类存储在磁盘中。其余http请求的记录信息存入数据库表中,记录当前请求的时间,照片地址等信息,以便于后续进行分析计算。
如上述步骤S2所述,通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集。其中,每个生物具有不同的特征,例如,行为特征,外形特征,其可以分别用不同的特征模型进行识别,即行为特征可以通过行为特征识别模型识别,外形特征可以通过外形特征识别模型识别,从而获取得到不同生物各自对应的特征集,根据各个特征对生物进行判定。
如上述步骤S3所述,将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息。其中,预设的生物特征库中记载了生物的不同特征,因此可以将采集的特征集与生物特征库中的特征进行比较,比较的方式不做限定,例如可以通过相似度计算方式进行比较,将像素点进行加权求和,然后再比较两个值的差异,也可以是比较各个像素点之间的差异,然后将差异值进行求和,从而得到特征集与各个特征的相似度,具体地计算方式后续有详细说明,此处不再赘述。需要说明的是,该生物特征库是现有的全世界范围记载的生物特征库,而非仅仅是区域内的生物特征库。
如上述步骤S4-S5所述,将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较,根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。一般而言,区域之前会有一些多样性的统计,因此会具有区域生物数据库,若当前识别到的生物在区域生物数据库内,则可以在区域生物数据库中更新识别到的时间,以便于对该生物的记录,若当前识别到的生物不在区域生物数据库内,则可以将该生物的生物个体信息添加到该区域生物数据库中,从而完成对区域生物数据库的补充。另外,需要说明的是,若无法对当前的生物进行识别,则可以将该图片或者视频发送给相关人员,进行人工识别。
在一个实施例中,所述通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集的步骤S2之前,还包括:
S101:获取多个不同类别的训练数据集;其中,所述训练数据集包括同种类型的生物图像以及所述生物图像种对应生物的标注特征;
S102:将各所述训练数据集分别输入至不同的初始图像特征提取模型中,得到各个类型生物对应的训练后的图像特征提取模型。
如上述步骤S101-S102所述,实现了对特征集中的特征的提取,其中,可以获取多个不同类别的训练数据集,使用相同类别的训练数据集可以增加模型的训练精度,因此可以按照类别获取到不同类别的训练数据集,并将其输入至不同的初始图像特征提取模型中,其中该初始图像特征提取模型可以是行为图像特征提取模型,也可以是外形图像特征提取模型,从而得到各个类别生物对应的训练后的图像特征提取模型,并且也可以得到对应的特征以及对应的标注特征,因此可以将该特征和对应的标注特征保存在预设的生物特征库中,以便于后续的比对。
在一个实施例中,所述将各个所述特征集与预设的生物特征库进行特征比较的步骤S3,包括:
S301:将所述特征集中的各个目标特征与所述预设的生物特征库中的特征进行相似度比较;
S302:根据相似度比较结果,对该生物的目标特征对应各所述预设的生物特征库中的生物进行加权和计算,得到对应各生物的综合相似值;
S303:判断所述综合相似值最大的综合相似值是否大于预设相似度值;
S304:若是,则将所述最大的综合相似值对应的生物个体信息记为所述目标特征对应生物的生物个体信息。
如上述步骤S301-S302所述,实现了对拍摄信息中的生物的识别。即将生物的特征集与各个目标特征与预设的生物特征库中的特征进行相似度比较,由于存在不同维度的特征,对于不同维度的特征,其相似度也会有所不同,因此,需要进行多方面的加权计算,各个维度的权重可以事先进行设定,例如外形特征所占的比重较大,则可以赋予外形特征更大的权重,根据权重进行加权和计算,即将各个维度对应所得到的相似度乘以对应的权重并进行求和,即得到对应各个生物的综合相似度值。
如上述步骤S303-S304所述,在得到综合相似度值之后,可以直接根据综合相似度值对生物进行识别,考虑到模型识别会存在一定的误差,因此有必要对综合相似度值进行进一步地判断,即判断所述综合相似值最大的综合相似值是否大于预设相似度值。若相似度最大的综合相似度值都不大于该预设相似度值,则说明该模型无法识别出该生物,需要发送给相关人员,进行人工识别处理。
在一个实施例中,所述通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集的步骤S2,包括:
S201:将所述拍摄信息输入至各所述训练后的图像特征提取模型中,分别得到拍摄信息中所含有的不同生物的各自对应的特征集。
如上述步骤S201所述,可以将拍摄信息输入至各所述训练后的图像提取模型中,由此得到各个生物各自对应的特征集,如之前所述,各个初始图像特征提取模型分别以不同类型的生物对应的训练数据集进行训练,然而在一张图片中或者一段视频中,一般而言,往往不止一种生物,因此将拍摄信息输入至各个训练后的图像提取模型中,可以分别得到对应图像提取模型的训练数据类型的生物特征,即得到各个生物的特征集。
在一个实施例中,所述根据相似度比较结果,对该生物的目标特征对应各所述预设的生物特征库中的生物进行加权和计算的步骤S302之前,还包括:
S3011:获取所述生物特征库中各个生物的特征高斯分布;
S3012:根据公式计算所述特征集中第t个特征与第i个生物的特征高斯分布之间的特征相关值;其中,Cv(i,t)表示所述特征相关值,所述pj(xt)表示第t个特征在第j个生物的特征高斯分布中所对应的概率值,wj表示第j个生物的特高斯分布对应的权重值,M表示生物的总个数;
S3013:将所述特征相关值按照其数值大小进行比例缩放,得到各生物各自对应的特征的权重。
如上述步骤S3011所述,在构建生物特征库时,一般会采集到生物的不同的特征,因此可以得到生物各个特征的出现次数,根据出现次数可以得到各个生物的特征高斯分布。
如上述步骤S3012所述,其中,公式的计算方式为,将各个特征相关度的和值分别除以各特征对应的相关值,即当出现的次数越高,其所对应的特征相关值就越小,而出现的次数越低,其所对应的特征相关值就越大,应当理解的是,当一个特征出现在该生物中出现的次数越少,则说明该特征是该生物的独有特征,因此所需赋予的权重也应该最大,因此对应的特征相关值也就越大。
如上述步骤S3013所述,所得到的特征相关值的值可能会有较大的差异,因此,需要进行缩放,优选将所有的特征相关值进行求和,然后将各个特征相关值与所有的特征相关值相除,即得到各个特征相关值所对应的权重,也可以是进行归一化处理等。
在一个实施例中,所述根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新的步骤S5,包括:
S501:获取所述区域生物数据库中各个生物的生物个体信息上一次更新的时间至当前时间的时间差;
S502:判断所述时间差是否超过了预设时间长度;
S503:若超过了所述预设时间长度,则将该生物从所述区域生物数据库中移出。
如上述步骤S501-S503所述,实现了对区域生物数据库中的生物数据的更新。即获取区域生物数据库中各个生物上一次更新的时间至当前时间的时间差,即摄像头没有拍到该生物的时间,若该时间差超过了预设时间长度,则可以认为该区域内已经没有该生物,则可以从该区域的区域生物数据库中移出。需要说明的是,本实施例中,会先对识别到的生物进行记载,然后才进行时间差的判断,若当前已经观察到了该生物,则上一次更新的时间为当前时间。从而实现了对该区域的区域生物数据库中的生物数据的实时更新。
在一个实施例中,初始图像特征提取模型包括循环神经网络模型,所述循环神经网络模型包括:输入层、隐藏层和输出层;
输入层:用于定义元素的特征数据中不同类型的数据输入;
隐藏层:用于利用激励函数对输入层输入的元素的特征数据进行非线性化处理;
输出层:用于对隐藏层拟合的结果进行输出表示,输出元素的特征对应的数据类型;
记忆单元:记忆单元在神经元内部决定是否应该写入或删除对信息的记忆,并将之前的记录的元素的特征数据、现在的记忆的元素的特征数据和当前输入的元素的特征结合在一起,对长期信息进行记录。
所述将各所述训练数据集分别输入至不同的初始图像特征提取模型中,得到各个类型生物对应的训练后的图像特征提取模型的步骤S102包括:
S1021:将各所述训练数据集分别输入至对应的所述初始图像特征提取模型的所述输入层;
S1022:通过隐藏层利用激励函数对所述输入层输入的各所述训练数据集进行非线性化处理,得到拟合的结果;
S1023:通过输出层对所述拟合的结果进行输出表示,输出各所述训练数据集对应的输出结果;
S1024:迭代训练后得到所述训练后的图像特征提取模型。
如上述步骤S1021-S1024所述,在利用神经网络的方法训练初始图像特征提取模型停止训练时,可以得到当前训练后的参数值。后续在提取拍摄信息中的生物时,只需要更改图像特征提取模型中的参数值即可,从而不需要建立多个模型,以免占用空间。由于在很多情况下,数据中的特征数量会远远超过训练数据的数量,为简化模型的训练,本发明使用基于BP神经网络的方法从特征提取器参数中进行特征选择,根据每个样本数据的标注特征及每个样本数据对应的原始特征重新训练所述重构后的图像特征提取模型,直至迭代终止,并得到训练后的图像特征提取模型。将所述每个样本数据的标注特征及每个样本数据的原始特征进行合并,得到每个样本数据的合并后的特征;利用随机森林变量的重要性方法,从每个样本数据的合并后的特征中筛选出每个样本数据的重要特征;利用所述训练数据中每个样本数据的重要特征重新训练所述重构后的图像特征提取模型,直至迭代终止,并得到训练好的图像特征提取模型。
在一个实施例中,通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集的步骤之前,行为特征提提取模型的训练步骤,包括:
S211:从所述拍摄信息中获取包含有生物的多个视频信息;其中,所述多个视频信息中包括一组主视频数据和至少一组辅视频数据;
S212:将所述主视频数据发送至第一生成对抗网络中进行训练,得到第一参数;
S213:将所述第一参数输入至待训练的行为特征提取模型中,得到中间模型;
S214:将所述多个视频信息输入至所述中间模型中进行三维数据训练,得到预训练的行为特征提取模型。
如上述步骤S211所述,在进行区域监控时,为了获取生物的行为特征,一般需要多个摄像头从不同的角度进行采集,可以将其中一个摄像头拍摄的拍摄信息作为主视频数据,将其余的拍摄信息作为辅视频数据。
如上述步骤S212所述,即通过待训练的生成网络和待训练的判别网络进行对抗训练,即先将得到的主视频数据每帧图片中的生物的预设点(一般为生物的关节点)进行标注,并将其作为第一输出结果,使生成对抗网络的输出结果可以接近于第一输出结果,获取训练后第一生成对抗网络中的第一参数。具体地训练方式为,将各主视频数据对待训练的生成对抗网络和待训练的判别网络进行对抗训练,当对抗训练达到收敛条件后,即完成对生成对抗网络的训练,从而得到第一参数。其中,待训练的生成对抗网络(GenerativeAdversarial Network[1],简称GAN)是非监督式学习的一种方法,其原理为通过两个神经网络相互博弈的方式进行训练。此处只输入了主视频数据,因此获取到的第一参数为二维数据,在此基础上,构建中间模型,以便于后续的三维建模。
如上述步骤S213所述,将所述第一参数输入至待训练的行为特征提取模型中,得到中间模型。即待训练的行为特征提取模型关于主视频的二维数据无需继续训练,只需要在此基础上进行三维数据训练即可,即构建中间模型,减少训练时间。
如上述步骤S214所述,将所述多个视频信息输入至所述中间模型中进行三维数据训练,得到预训练的行为特征提取模型。其中,训练的具体方式为先根据主视频数据和辅视频数据获取到生物的三维模型,将三维模型中的预设点进行标注,然后作为第二输出结果,与直接将视频信息输入至中间模型中,所得到的结果进行比较,从而进行对抗训练,使中间模型的输出结果与第二输出结果相近,从而完成对行为特征提取模型的训练。需要说明的是,该行为特征提取模型也为生成网络和待训练的判别网络进行对抗训练的模型。
参照图2,本发明还提供了一种区域内生物多样性的监测装置,包括:
获取模块10,用于获取所述区域内的拍摄信息;
提取模块20,用于通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;
特征比较模块30,用于将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;
信息比较模块40,用于将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
更新模块50,用于根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
本发明的有益效果:通过在拍摄信息中提取到对应的特征集,然后根据特征集与预设的生物特征库进行比较,从而得到不同的生物个体信息,然后将对应的生物个体信息与区域生物数据库中的生物进行比较,根据比较结果对区域生物数据库进行更新,从而实现了对生物多样性的自动追踪调查,且无需大量的人力资源,可以更加高效、准确以及实时的对区域内的生物多样性进行调查。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种生物特征等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的区域内生物多样性的监测方法。
本领域技术人员可以理解,图3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的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的区域内生物多样性的监测方法。
本领域普通技术人员可以理解实现上述实施例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,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种区域内生物多样性的监测方法,其特征在于,包括:
获取所述区域内的拍摄信息;
通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;所述特征集包括生物的多项特征;
将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;
将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
2.如权利要求1所述的区域内生物多样性的监测方法,其特征在于,所述通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集的步骤之前,还包括:
获取多个不同类别的训练数据集;其中,所述训练数据集包括同种类型的生物图像以及所述生物图像种对应生物的标注特征;
将各所述训练数据集分别输入至不同的初始图像特征提取模型中,得到各个类型生物对应的训练后的图像特征提取模型。
3.如权利要求2所述的区域内生物多样性的监测方法,其特征在于,所述将各个所述特征集与预设的生物特征库进行特征比较的步骤,包括:
将所述特征集中的各个目标特征与所述预设的生物特征库中的特征进行相似度比较;
根据相似度比较结果,对该生物的目标特征对应各所述预设的生物特征库中的生物进行加权和计算,得到对应各生物的综合相似值;
判断所述综合相似值最大的综合相似值是否大于预设相似度值;
若是,则将所述最大的综合相似值对应的生物个体信息记为所述目标特征对应生物的生物个体信息。
5.如权利要求1所述的区域内生物多样性的监测方法,其特征在于,所述根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新的步骤,包括:
获取所述区域生物数据库中各个生物的生物个体信息上一次更新的时间至当前时间的时间差;
判断所述时间差是否超过了预设时间长度;
若超过了所述预设时间长度,则将该生物从所述区域生物数据库中移出。
6.如权利要求2所述的区域内生物多样性的监测方法,其特征在于,所述初始图像特征提取模型包括循环神经网络模型,所述循环神经网络模型包括:输入层、隐藏层和输出层;
所述将各所述训练数据集分别输入至不同的初始图像特征提取模型中,得到各个类型生物对应的训练后的图像特征提取模型的步骤包括:
将各所述训练数据集分别输入至对应的所述初始图像特征提取模型的所述输入层;
通过隐藏层利用激励函数对所述输入层输入的各所述训练数据集进行非线性化处理,得到拟合的结果;
通过输出层对所述拟合的结果进行输出表示,输出各所述训练数据集对应的输出结果;
迭代训练后得到所述训练后的图像特征提取模型。
7.一种区域内生物多样性的监测装置,其特征在于,包括:
获取模块,用于获取所述区域内的拍摄信息;
提取模块,用于通过不同的图像特征提取模型从所述拍摄信息中提取各生物的特征集;
特征比较模块,用于将各个所述特征集与预设的生物特征库进行特征比较,分别得到各个所述生物的生物个体信息;其中,所述生物特征库中预存有各个生物的特征,所述生物个体信息为与所述预设的生物特征库中各个生物的相似度;
信息比较模块,用于将各所述生物个体信息与所述区域内记载的区域生物数据库进行比较;
更新模块,用于根据比较结果对所述区域生物数据库中记载的生物个体信息进行更新。
8.如权利要求7所述的区域内生物多样性的监测装置,其特征在于,所述装置还包括:
数据集获取模块,用于获取多个不同类别的训练数据集;其中,所述训练数据集包括同种类型的生物图像以及所述生物图像种对应生物的标注特征;
数据集输入模块,用于将各所述训练数据集分别输入至不同的初始图像特征提取模型中,得到各个类型生物对应的训练后的图像特征提取模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542276.2A CN113516046B (zh) | 2021-05-18 | 2021-05-18 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542276.2A CN113516046B (zh) | 2021-05-18 | 2021-05-18 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516046A true CN113516046A (zh) | 2021-10-19 |
CN113516046B CN113516046B (zh) | 2024-06-18 |
Family
ID=78064546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110542276.2A Active CN113516046B (zh) | 2021-05-18 | 2021-05-18 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516046B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN114399415A (zh) * | 2021-12-23 | 2022-04-26 | 广东贝源检测技术股份有限公司 | 一种生物多样性的调查评估*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399225A (zh) * | 2018-02-12 | 2018-08-14 | 安徽千云度信息技术有限公司 | 一种基于大数据的信息分析方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN111401326A (zh) * | 2020-04-21 | 2020-07-10 | 招商局金融科技有限公司 | 基于图片识别的目标身份识别方法、服务器及存储介质 |
CN111523479A (zh) * | 2020-04-24 | 2020-08-11 | 中国农业科学院农业信息研究所 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
CN111695971A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 物品推荐方法、装置和设备及计算机存储介质 |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN112396005A (zh) * | 2020-11-23 | 2021-02-23 | 平安科技(深圳)有限公司 | 生物特征图像识别方法、装置、电子设备及可读存储介质 |
CN112668365A (zh) * | 2019-10-15 | 2021-04-16 | 顺丰科技有限公司 | 一种物料入库识别方法、装置、设备及存储介质 |
-
2021
- 2021-05-18 CN CN202110542276.2A patent/CN113516046B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399225A (zh) * | 2018-02-12 | 2018-08-14 | 安徽千云度信息技术有限公司 | 一种基于大数据的信息分析方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN112668365A (zh) * | 2019-10-15 | 2021-04-16 | 顺丰科技有限公司 | 一种物料入库识别方法、装置、设备及存储介质 |
CN111401326A (zh) * | 2020-04-21 | 2020-07-10 | 招商局金融科技有限公司 | 基于图片识别的目标身份识别方法、服务器及存储介质 |
CN111523479A (zh) * | 2020-04-24 | 2020-08-11 | 中国农业科学院农业信息研究所 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
CN111695971A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 物品推荐方法、装置和设备及计算机存储介质 |
CN112396005A (zh) * | 2020-11-23 | 2021-02-23 | 平安科技(深圳)有限公司 | 生物特征图像识别方法、装置、电子设备及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399415A (zh) * | 2021-12-23 | 2022-04-26 | 广东贝源检测技术股份有限公司 | 一种生物多样性的调查评估*** |
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN114267015B (zh) * | 2021-12-24 | 2022-09-09 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113516046B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Lr-gan: Layered recursive generative adversarial networks for image generation | |
CN108416324B (zh) | 用于检测活体的方法和装置 | |
CN110490076B (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN111860147B (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
Reddy et al. | Few-shot scene adaptive crowd counting using meta-learning | |
CN110110601A (zh) | 基于多时空注意力模型的视频行人重识别算法及装置 | |
CN113516046B (zh) | 区域内生物多样性的监测方法、装置、设备以及存储介质 | |
CN111368911B (zh) | 一种图像分类方法、装置和计算机可读存储介质 | |
CN111368926B (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
CN112949468A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN112766366A (zh) | 对抗生成网络的训练方法及其图像处理方法、装置 | |
CN110705428A (zh) | 一种基于脉冲神经网络的脸部年龄识别***及方法 | |
CN113919497A (zh) | 针对连续学习能力***的基于特征操纵的攻击和防御方法 | |
CN112329629A (zh) | 在线培训的评价方法、装置、计算机设备和存储介质 | |
CN112036749A (zh) | 基于医疗数据识别风险用户的方法、装置和计算机设备 | |
CN116205726B (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
CN112308035A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111222370A (zh) | 一种案件研判方法、***及装置 | |
CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 | |
CN114462073A (zh) | 去标识化效果评估方法、装置、存储介质及产品 | |
CN113643067A (zh) | 基于人工智能的客户筛选方法、装置、设备及存储介质 | |
CN113313129B (zh) | 灾损识别模型的训练方法、装置、设备以及存储介质 | |
CN113158920B (zh) | 特定动作识别模型的训练方法、装置以及计算机设备 | |
CN116631108B (zh) | 一种基于人脸识别技术的小区安防方法、装置和设备 | |
CN114693624B (zh) | 一种图像检测方法、装置、设备及可读存储介质 |
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 |