CN112036280A - 水鸟种群动态监测方法、装置和设备 - Google Patents
水鸟种群动态监测方法、装置和设备 Download PDFInfo
- Publication number
- CN112036280A CN112036280A CN202010855026.XA CN202010855026A CN112036280A CN 112036280 A CN112036280 A CN 112036280A CN 202010855026 A CN202010855026 A CN 202010855026A CN 112036280 A CN112036280 A CN 112036280A
- Authority
- CN
- China
- Prior art keywords
- waterfowl
- image information
- identification model
- waterfowls
- population
- 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.)
- Pending
Links
- 241000272517 Anseriformes Species 0.000 title claims abstract description 263
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 55
- 238000012806 monitoring device Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000003068 static effect Effects 0.000 abstract description 4
- 241000272525 Anas platyrhynchos Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种水鸟种群动态监测方法、装置和设备,通过获取监测地点水鸟的图像信息,将图像信息输入预先构建的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取,获取水鸟识别模型输出的特征提取结果,根据特征提取结果,确定图像信息中水鸟的数量与种类,实现了基于监测地点水鸟的图像信息,对水鸟种类与数量的自动识别,不需要大量的专业人员定点观测,而且通过静态图像对水鸟进行统计,还避免了水鸟的迁入和迁出观测点、观测点内水鸟起飞和降落给水鸟种群计算带来的困难,不仅节省了人力,还有效提高了水鸟种群数量统计的精确度。
Description
技术领域
本发明涉及水鸟监测技术领域,具体涉及一种水鸟种群动态监测方法、装置和设备。
背景技术
水鸟种群动态监测可为野生动物保护组织、研究组织、保护地及湿地等管理部门提供准确可靠的水鸟种群、数量、分布、受威胁情况等信息,为科研人员及保护地、湿地、野生动物管理人员等提供宝贵的监测资料。
水鸟是衡量湿地发展状况与趋势的重要指标,群落结构和多样性动态直接反映湿地生态系统质量的变化,可以作为监测湿地环境变化的客观生物指标,而这些研究高度依赖于水鸟种群动态监测结果精确度。现有水鸟种群动态监测方法有样线法、样点法、直接计数法等,这些方法需要大量的专业人员定点观测,受技术人员专业技能、设备等主客观因素影响,统计水鸟种群数量精确度较差。另外,水鸟的迁入和迁出观测点、观测点内水鸟起飞和降落、水鸟数量大小等也给水鸟种群计算带来困难。
因此,如何提供一种精确的水鸟种群动态监测系统及数量计数方法是本领域技术人员亟待解决的技术问题之一。
发明内容
有鉴于此,本发明的目的在于提供一种水鸟种群动态监测方法、装置和设备,以克服目前水鸟种群监测困难的问题。
为实现以上目的,本发明采用如下技术方案:
一种水鸟种群动态监测方法,包括:
获取监测地点水鸟的图像信息;
将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取;
获取所述水鸟识别模型输出的特征提取结果;
根据所述特征提取结果,确定所述图像信息中水鸟的监测信息。
进一步地,以上所述的水鸟种群动态监测方法,所述获取所述水鸟识别模型输出的特征提取结果,包括:
获取所述水鸟识别模型输出的特征点以及每个所述特征点对应的有效性评估值;和/或
获取所述水鸟识别模型输出的所述特征点、每个所述特征点对应的所述有效性评估值、水鸟类别和类别评估值。
进一步地,以上所述的水鸟种群动态监测方法,所述根据所述特征提取结果,确定所述图像信息中水鸟的监测信息,包括:
将所述有效性评估值在预设的有效性评估范围内的所述特征点作为有效特征点;
根据所述有效特征点,确定所述图像信息中水鸟的数量。
进一步地,以上所述的水鸟种群动态监测方法,所述根据所述特征提取结果,确定所述图像信息中水鸟的监测信息,还包括:
将所述类别评估值在预设的类别评估范围内的有效特征点作为目标有效特征点;
根据所述目标有效特征点以及所述目标有效特征点对应的所述水鸟类别,确定所述图像信息中水鸟的种类。
进一步地,以上所述的水鸟种群动态监测方法,所述将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取之前,所述方法还包括:
获取样本水鸟图像信息和与所述样本水鸟图像信息一一对应的样本特征;
将所述样本水鸟图像信息和所述样本特征输入预先构建的深度学习模型进行训练,得到所述水鸟识别模型。
进一步地,以上所述的水鸟种群动态监测方法,所述样本特征包括与所述样本水鸟图像信息一一对应的样本水鸟轮廓、样本水鸟位置和样本水鸟种类。
进一步地,以上所述的水鸟种群动态监测方法,所述方法还包括:
输出水鸟的监测信息中水鸟的数量与种类的表格信息和/或图像信息。
另一方面,本发明还提供了一种水鸟种群动态监测装置,包括:获取模块、输入模块和确定模块;
所述获取模块,用于获取监测地点水鸟的图像信息;
所述输入模块,用于包括将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取;
所述获取模块,还用于获取所述水鸟识别模型输出的特征提取结果;
所述确定模块,用于根据所述特征提取结果,确定所述图像信息中水鸟的监测信息。
进一步地,以上所述的水鸟种群动态监测装置,所述获取模块,具体用于获取所述水鸟识别模型输出的特征点以及每个所述特征点对应的有效性评估值;和/或
获取所述水鸟识别模型输出的所述特征点、每个所述特征点对应的所述有效性评估值、水鸟类别和类别评估值。
另一方面,本发明还提供了一种水鸟种群动态监测设备,包括处理器和存储器,所述处理器与所述存储器相连:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行以上任一项所述的水鸟种群动态监测方法。
本发明的水鸟种群动态监测方法、装置和设备,通过获取监测地点水鸟的图像信息,将图像信息输入预先构建的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取,获取水鸟识别模型输出的特征提取结果,根据特征提取结果,确定图像信息中水鸟的数量与种类,实现了基于监测地点水鸟的图像信息,对水鸟种类与数量的自动识别,不需要大量的专业人员定点观测,而且通过静态图像对水鸟进行统计,还避免了水鸟的迁入和迁出观测点、观测点内水鸟起飞和降落给水鸟种群计算带来的困难,不仅节省了人力,还有效提高了水鸟种群数量统计的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明水鸟种群动态监测方法一种实施例提供的流程图;
图2是本发明水鸟种群动态监测装置一种实施例提供的结构示意图;
图3是本发明水鸟种群动态监测设备一种实施例提供的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明水鸟种群动态监测方法一种实施例提供的流程图。请参阅图1,本实施例可以包括以下步骤:
S101、获取监测地点水鸟的图像信息。
本实施例中,可以使用无人机拍摄监测地点水鸟的图像信息,或者由专业的摄影人员拍摄监测地点水鸟的图像信息。也可以通过无人机或者由专业的摄影人员拍摄监测地点水鸟的视频信息,然后截取需要的图像信息。其中,截取需要的图像信息时,可以由工作人员手动截取,也可以通过工作人员预设的截取方式自动截取。例如,自动截取预设时刻的图像信息、自动截取预设角度的图像信息等。
通过无人机或人工摄像、拍照快速获取图像信息,最大限度地保证了水鸟调查的同步性和种群数量计算准确性。
S102、将图像信息输入预先构建的水鸟识别模型中。
获取到图像信息后,可以将图像信息输入到预先已经构建好的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取和特征汇总。
其中,水鸟识别模型可以按照如下步骤构建:
获取样本水鸟图像信息和与样本水鸟图像信息一一对应的样本特征;将样本水鸟图像信息和样本特征输入预先构建的深度学习模型进行训练,得到水鸟识别模型。
具体地,可以获取大量的样本水鸟图像信息,以及与每个样本水鸟图像信息对应的样本特征,其中样本特征可以包括样本水鸟轮廓、样本水鸟位置和样本水鸟种类等与水鸟种类、水鸟数量位置相关的信息。将样本水鸟图像信息和样本特征均输入到预先构建的深度学习模型中进行训练,当得到收敛的训练结果后,则表示训练完成,得到上述水鸟识别模型,把水鸟识别模型写入预设的服务器即可。将水鸟的图像信息输入本实施例训练的水鸟识别模型后,水鸟识别模型即可对水鸟的图像信息进行处理。需要说明的是,预先构建的深度学习模型可以是OpenCV+模型、卷积神经网络模型等。而且,这里只是用来举例说明,并不形成具体的限定。
通过对模型反复训练,能够提高识别准确率,快速识别种类和计算种群数量,克服专业人员短缺和计算量大的困难。
S103、获取水鸟识别模型输出的特征提取结果。
获取水鸟识别模型输出的特征点以及每个特征点对应的有效性评估值。例如,图像信息上的特征点A,有效性评估值为30;图像信息上的特征点B,有效性评估值为95,等等。
获取水鸟识别模型输出的特征点、每个特征点对应的有效性评估值、水鸟类别和类别评估值。例如,图像信息上的特征点A,有效性评估值为30,水鸟类别为斑嘴鸭,类别评估值为5;图像信息上的特征点B,有效性评估值为95,水鸟类别为斑嘴鸭,类别评估值为90,等等。
S104、根据特征提取结果,确定图像信息中水鸟的监测信息。
图像信息中水鸟的监测信息可以包括图像信息中水鸟的数量与种类。
可以根据如下步骤确定图像信息中水鸟的数量:
将有效性评估值在预设的有效性评估范围内的特征点作为有效特征点;根据有效特征点,确定图像信息中水鸟的监测信息。即,图像信息上的一个有效特征点对应一只水鸟,有效特征点的位置即为对应水鸟的位置,图像信息中所有的有效特征点的数量即为该图像信息中所有水鸟的数量。
在一种具体地实施方式中,预设的有效性评估范围为大于或者等于75,则特征点的有效性评估值在75或者75以上才能够作为有效特征点。那么上述特征点A,有效性评估值为30,特征点A不是有效特征点,图像信息中特征点A对应的位置没有水鸟;上述特征点B,有效性评估值为95,特征点B是有效特征点,图像信息中特征点B对应的位置有水鸟。若该图像信息中存在500个有效特征点,则表示有500个水鸟,水鸟的位置和特征点的位置一一对应。
可以根据如下步骤确定图像信息中水鸟的种类:
将类别评估值在预设的类别评估范围内的有效特征点作为目标有效特征点;根据目标有效特征点以及目标有效特征点对应的水鸟类别,确定图像信息中水鸟的种类。
当特征点的有效性评估值在预设的有效性评估范围内,成为有效特征点时,表示该有效特征点的位置存在水鸟。因此,只有有效特征点,才具有讨论水鸟种类的必要。若有效特征点对应的类别评估值在预设的类别评估范围内,则表示获取到的水鸟类别是有效的,将获取到的水鸟类别作为该有效特征点对应的水鸟类别。
在一种具体地实施方式中,预设的类别评估范围为大于或者等于75,则有效特征点的类别评估值在75或者75以上才能够作为目标有效特征点,能够明确确定水鸟的类别。那么上述特征点A,有效性评估值为30,而特征点A不是有效特征点,图像信息中特征点A对应的位置没有水鸟,也表示该特征点没有对应的水鸟种类;图像信息上的特征点B,有效性评估值为95,水鸟类别为斑嘴鸭,类别评估值为90,表示图像信息中特征点B对应的位置有水鸟,且该水鸟的种类是斑嘴鸭。
若该图像信息中存在500个有效特征点,则表示有500个水鸟,水鸟的位置和特征点的位置一一对应,若其中有275只水鸟的类别评估值均大于或等于75,且水鸟类别均为斑嘴鸭,则表示图像信息有275只斑嘴鸭,斑嘴鸭的位置和有效特征点的位置一一对应;若其中还存在220只水鸟的类别评估值均大于或等于75,且水鸟类别均为绿头鸭,则表示图像信息有220只绿头鸭,绿头鸭的位置和有效特征点的位置一一对应。
本实施例的水鸟种群动态监测方法,通过获取监测地点水鸟的图像信息,将图像信息输入预先构建的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取,获取水鸟识别模型输出的特征提取结果,根据特征提取结果,确定图像信息中水鸟的数量与种类,实现了基于监测地点水鸟的图像信息,对水鸟种类与数量的自动识别,不需要大量的专业人员定点观测,而且通过静态图像对水鸟进行统计,还避免了水鸟的迁入和迁出观测点、观测点内水鸟起飞和降落给水鸟种群计算带来的困难,不仅节省了人力,还有效提高了水鸟种群数量统计的精确度。
进一步地,本实施例在以上实施例的基础上,还包括以下步骤:输出水鸟信息中的数量与种类表格信息和/或图像信息。
具体地,可以以表格形式输出,以明确输出每种类型的水鸟的数量;还可以以图像的形式输出,以明确每只水鸟的位置和种类。以使工作人员更加直观地了解监测地点水鸟的分布情况和分布数量。
本发明还提供了一种水鸟种群动态监测装置,用于实现上述方法实施例。图2是本发明水鸟种群动态监测装置一种实施例提供的结构示意图,如图2所示,本实施例的装置包括获取模块11、输入模块12和确定模块13;
获取模块11,用于获取监测地点水鸟的图像信息;
输入模块12,用于包括将图像信息输入预先构建的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取;
获取模块11,还用于获取水鸟识别模型输出的特征提取结果;
确定模块13,用于根据特征提取结果,确定图像信息中水鸟的监测信息。
本实施例的水鸟种群动态监测装置,获取模块11获取监测地点水鸟的图像信息,输入模块12将图像信息输入预先构建的水鸟识别模型中,以使水鸟识别模型对图像信息进行特征提取,获取模块11获取水鸟识别模型输出的特征提取结果,根据特征提取结果,确定模块13确定图像信息中水鸟的数量与种类,实现了基于监测地点水鸟的图像信息,对水鸟种类与数量的自动识别,不需要大量的专业人员定点观测,而且通过静态图像对水鸟进行统计,还避免了水鸟的迁入和迁出观测点、观测点内水鸟起飞和降落给水鸟种群计算带来的困难,不仅节省了人力,还有效提高了水鸟种群数量统计的精确度。
进一步地,本实施例的水鸟种群动态监测装置,获取模块11,具体用于获取水鸟识别模型输出的特征点以及每个特征点对应的有效性评估值;和/或
获取水鸟识别模型输出的特征点、每个特征点对应的有效性评估值、水鸟类别和类别评估值。
进一步地,本实施例的水鸟种群动态监测装置,确定模块13,具体用于将有效性评估值在预设的有效性评估范围内的特征点作为有效特征点;根据有效特征点,确定图像信息中水鸟的数量。
进一步地,本实施例的水鸟种群动态监测装置,确定模块13,具体还用于将类别评估值在预设的类别评估范围内的有效特征点作为目标有效特征点;
根据目标有效特征点以及目标有效特征点对应的水鸟类别,确定图像信息中水鸟的种类。
进一步地,本实施例的水鸟种群动态监测装置,还包括训练模块;
训练模块,用于获取样本水鸟图像信息和与样本水鸟图像信息一一对应的样本特征;其中,样本特征包括与样本水鸟图像信息一一对应的样本水鸟轮廓、样本水鸟位置和样本水鸟种类;将样本水鸟图像信息和样本特征输入预先构建的深度学习模型进行训练,得到水鸟识别模型。
进一步地,本实施例的水鸟种群动态监测装置,还包括输出模块;
输出模块,用于输出水鸟的数量与种类的表格信息和/或图像信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明还提供了一种水鸟种群动态监测设备,用于实现上述方法实施例。图3是本发明水鸟种群动态监测设备一种实施例提供的结构示意图,如图3所示,本实施例的水鸟种群动态监测设备包括处理器21和存储器22,处理器21与存储器22相连,其中,处理器21,用于调用并执行存储器22中存储的程序,存储器22,用于存储程序,程序至少用于执行以上实施例所述的水鸟种群动态监测方法。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种水鸟种群动态监测方法,其特征在于,包括:
获取监测地点水鸟的图像信息;
将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取;
获取所述水鸟识别模型输出的特征提取结果;
根据所述特征提取结果,确定所述图像信息中水鸟的监测信息。
2.根据权利要求1所述的水鸟种群动态监测方法,其特征在于,所述获取所述水鸟识别模型输出的特征提取结果,包括:
获取所述水鸟识别模型输出的特征点以及每个所述特征点对应的有效性评估值;和/或
获取所述水鸟识别模型输出的所述特征点、每个所述特征点对应的所述有效性评估值、水鸟类别和类别评估值。
3.根据权利要求2所述的水鸟种群动态监测方法,其特征在于,所述根据所述特征提取结果,确定所述图像信息中水鸟的监测信息,包括:
将所述有效性评估值在预设的有效性评估范围内的所述特征点作为有效特征点;
根据所述有效特征点,确定所述图像信息中水鸟的数量。
4.根据权利要求3所述的水鸟种群动态监测方法,其特征在于,所述根据所述特征提取结果,确定所述图像信息中水鸟的监测信息,还包括:
将所述类别评估值在预设的类别评估范围内的有效特征点作为目标有效特征点;
根据所述目标有效特征点以及所述目标有效特征点对应的所述水鸟类别,确定所述图像信息中水鸟的种类。
5.根据权利要求1所述的水鸟种群动态监测方法,其特征在于,所述将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取之前,所述方法还包括:
获取样本水鸟图像信息和与所述样本水鸟图像信息一一对应的样本特征;
将所述样本水鸟图像信息和所述样本特征输入预先构建的深度学习模型进行训练,得到所述水鸟识别模型。
6.根据权利要求5所述的水鸟种群动态监测方法,其特征在于,所述样本特征包括与所述样本水鸟图像信息一一对应的样本水鸟轮廓、样本水鸟位置和样本水鸟种类。
7.根据权利要求1所述的水鸟种群动态监测方法,其特征在于,所述方法还包括:
输出水鸟的监测信息中水鸟的数量与种类的表格信息和/或图像信息。
8.一种水鸟种群动态监测装置,其特征在于,包括:获取模块、输入模块和确定模块;
所述获取模块,用于获取监测地点水鸟的图像信息;
所述输入模块,用于包括将图像信息输入预先构建的水鸟识别模型中,以使所述水鸟识别模型对所述图像信息进行特征提取;
所述获取模块,还用于获取所述水鸟识别模型输出的特征提取结果;
所述确定模块,用于根据所述特征提取结果,确定所述图像信息中水鸟的监测信息。
9.根据权利要求1所述的水鸟种群动态监测装置,其特征在于,所述获取模块,具体用于获取所述水鸟识别模型输出的特征点以及每个所述特征点对应的有效性评估值;和/或
获取所述水鸟识别模型输出的所述特征点、每个所述特征点对应的所述有效性评估值、水鸟类别和类别评估值。
10.一种水鸟种群动态监测设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器相连:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行权利要求1-7任一项所述的水鸟种群动态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855026.XA CN112036280A (zh) | 2020-08-24 | 2020-08-24 | 水鸟种群动态监测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855026.XA CN112036280A (zh) | 2020-08-24 | 2020-08-24 | 水鸟种群动态监测方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036280A true CN112036280A (zh) | 2020-12-04 |
Family
ID=73580613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010855026.XA Pending CN112036280A (zh) | 2020-08-24 | 2020-08-24 | 水鸟种群动态监测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115443923A (zh) * | 2022-09-30 | 2022-12-09 | 江西省科学院微生物研究所(江西省流域生态研究所) | 一种湖泊湿地水鸟生活习性及行为监测设备及其工作方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004916A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像特征提取系统及其方法 |
CN102207389A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 车辆位置识别系统 |
CN102880613A (zh) * | 2011-07-14 | 2013-01-16 | 腾讯科技(深圳)有限公司 | 色情图片的识别方法及其设备 |
CN108509870A (zh) * | 2018-03-14 | 2018-09-07 | 安徽工大信息技术有限公司 | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 |
CN109271966A (zh) * | 2018-10-15 | 2019-01-25 | 广州广电运通金融电子股份有限公司 | 一种基于指静脉的身份认证方法、装置及设备 |
CN109377433A (zh) * | 2018-08-02 | 2019-02-22 | 佛山世寰智能科技有限公司 | 一种候鸟社区智慧警务信息管理方法及系统 |
US20190318208A1 (en) * | 2016-12-27 | 2019-10-17 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd | Image identification system and image identification method |
CN110472609A (zh) * | 2019-08-21 | 2019-11-19 | 广东工业大学 | 一种鸟类图像识别方法、装置、设备和存储介质 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN110889432A (zh) * | 2019-10-29 | 2020-03-17 | 北京迈格威科技有限公司 | 特征点匹配方法、装置、计算机设备和存储介质 |
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系统 |
-
2020
- 2020-08-24 CN CN202010855026.XA patent/CN112036280A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207389A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 车辆位置识别系统 |
CN102004916A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像特征提取系统及其方法 |
CN102880613A (zh) * | 2011-07-14 | 2013-01-16 | 腾讯科技(深圳)有限公司 | 色情图片的识别方法及其设备 |
US20190318208A1 (en) * | 2016-12-27 | 2019-10-17 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd | Image identification system and image identification method |
CN108509870A (zh) * | 2018-03-14 | 2018-09-07 | 安徽工大信息技术有限公司 | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 |
CN109377433A (zh) * | 2018-08-02 | 2019-02-22 | 佛山世寰智能科技有限公司 | 一种候鸟社区智慧警务信息管理方法及系统 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN109271966A (zh) * | 2018-10-15 | 2019-01-25 | 广州广电运通金融电子股份有限公司 | 一种基于指静脉的身份认证方法、装置及设备 |
CN110472609A (zh) * | 2019-08-21 | 2019-11-19 | 广东工业大学 | 一种鸟类图像识别方法、装置、设备和存储介质 |
CN110889432A (zh) * | 2019-10-29 | 2020-03-17 | 北京迈格威科技有限公司 | 特征点匹配方法、装置、计算机设备和存储介质 |
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系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115443923A (zh) * | 2022-09-30 | 2022-12-09 | 江西省科学院微生物研究所(江西省流域生态研究所) | 一种湖泊湿地水鸟生活习性及行为监测设备及其工作方法 |
CN115443923B (zh) * | 2022-09-30 | 2024-03-01 | 江西省科学院微生物研究所(江西省流域生态研究所) | 一种湖泊湿地水鸟生活习性及行为监测设备及其工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114581855B (zh) | 一种基于大数据的信息收集方法与系统 | |
CN111325217B (zh) | 数据处理方法、装置、系统和介质 | |
CN111709374A (zh) | 鸟情检测方法、装置、计算机设备及存储介质 | |
CN110967339A (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
CN112036280A (zh) | 水鸟种群动态监测方法、装置和设备 | |
CN108875709A (zh) | 一种扎堆行为检测方法、装置、电子设备及存储介质 | |
CN109064445B (zh) | 一种动物的数量统计方法和系统、存储介质 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
CN111428858A (zh) | 样本数量的确定方法、装置、电子设备及存储介质 | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
Murray et al. | Using fractal analysis of crown images to measure the structural condition of trees | |
CN111768439B (zh) | 一种确定实验评分的方法、装置、电子设备及介质 | |
Ganias et al. | Egg production | |
RU2728520C2 (ru) | Архитектура серверов и клиентов в цифровой патологии | |
CN112329596B (zh) | 目标物定损方法、装置、电子设备及计算机可读存储介质 | |
CN113538412A (zh) | 一种航拍图像的绝缘子缺陷检测方法及装置 | |
CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN111462087B (zh) | 基于人工智能的图像检测方法、装置、系统及存储介质 | |
CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
WO2016145538A1 (en) | Computer-implemented method for scoring fish | |
CN113240759A (zh) | 一种基于色温的能见度确定方法、装置、设备及存储介质 | |
CN112580510A (zh) | 可渗透地面面积率的估算方法、装置、设备及存储介质 | |
CN111210910A (zh) | 猪只疾病诊断方法及系统 | |
CN109190634A (zh) | 一种高效测量鸟巢隐蔽度的方法 | |
CN111930871B (zh) | 一种基于高精度地图数据推荐样本的抽取方法及装置 |
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 |