CN104320610A - 小型哺乳动物(鼠类)智能识别系统 - Google Patents
小型哺乳动物(鼠类)智能识别系统 Download PDFInfo
- Publication number
- CN104320610A CN104320610A CN201410527959.0A CN201410527959A CN104320610A CN 104320610 A CN104320610 A CN 104320610A CN 201410527959 A CN201410527959 A CN 201410527959A CN 104320610 A CN104320610 A CN 104320610A
- Authority
- CN
- China
- Prior art keywords
- image
- muroid
- small
- real
- module
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种小型哺乳动物(鼠类)智能识别系统,包括图像自动采集系统,图像智能识别系统以及数据实时传输系统,所述图像自动采集系统通过拍摄方式将采集的图像存入存储模块后,再由所述图像自动采集系统的通信模块经过网络传输系统实时传输至计算机服务器终端,然后通过所述图像智能识别系统对所采集的图像进行识别匹配,自动将捕获小型哺乳动物(鼠类)进行分类,输出结果。本发明的系统为害鼠监测和鼠害防控体系提供了实时、动态的精准数据,且根本上改变了小型哺乳动物野外生态调查直接捕获、人工辨认、分类计数的传统方式,进而节省了投入庞大的人力、物力、财力,更提高了调查数据的准确性。
Description
技术领域
本发明涉及智能识别系统领域,具体地涉及一种小型哺乳动物(鼠类)智能识别系统。
背景技术
近年来我国鼠害问题日益严峻,据统计全国每年因鼠害造成的农田受灾面积达3.7亿亩,粮食损失达50-100亿公斤;草场受灾面积达6亿亩,牧草损失近200亿公斤;森林鼠害、兔害每年发生面积在1200万亩左右,涉及21个省(区、市),新造林被害率达30-80%。由于鼠害频发暴发,致使草原地区植被破坏而产生的严重的水土流失和沙尘暴问题。在内蒙古草原,布氏田鼠挖仓造成的抛土可达每公顷8.7立方米;而在青海三江源地区,鼠害面积已达3.24万平方公里,占总面积的10%以上。在我国的退耕还林区,由于林业鼠害造成了很多地区林苗出现“边栽边吃,常补常缺”的窘境,成为严重影响造林地苗木成活率的最主要因素,严重威胁了正在实施的退耕还林工程和天然林保护工程建设。鼠害的频繁暴发不仅造成巨大经济损失和生态环境破坏,同时鼠源性疾病的散播也威胁着广大牧区人民的健康。2004年以来,内蒙古、青藏高原鼠间鼠疫疫情频发不断,人间疫情也时有发生。鼠疫疫情多靠近人口密集地区、交通要道、旅游区等重要地区,呈现点多面广、流行强度高等特点,对人群的威胁较大。2010年内蒙古有5个盟市14个旗县市先后发现鼠间鼠疫流行。可见,鼠害已成为我国农林牧业持续稳定发展、生态环境建设及人民身体健康的一个重大隐患。
而目前全世界使用的鼠类调查方法(鼠夹法、鼠笼法等)已使用上百年,虽然经典,但存在很大的缺陷:①调查工具(鼠夹、鼠笼)不规范:世界各地使用的鼠夹、鼠笼,形状、规格不统一,各地的数据缺乏可比性;②调查人员的差异:由于鼠夹、鼠笼是人为放置,每个人的操作方式不同,放置地方不同,这给调查结果造成很大的误差;③基层技术人员经常变动,对鼠类种类的鉴别能力差,经常得到错误的信息,给管理层决策带来困难。以上几点是害鼠监测和鼠害治理工作长期停滞不前的主要问题所在。全国范围内组建了农业鼠害监测协作网,设立草原鼠情的测报站(网、点)270多个;国家级农田鼠情监测点150个,省级监测点580多个;国家级林业鼠情监测点200多个;城市害鼠监测点100多个。而这些点目前都是用鼠夹监测,此类监测存在方法原始,效率低下,而且准确率受人为因素影响较大的缺陷。
现有技术中,涉及小型哺乳动物(鼠类)监测、识别的专利和/或文献如下:
孙虹,柯明剑,姚若东,谭健仪;珠海口岸常见鼠形动物外形的模式识别研究;中华闻声杀虫器械,2006年03期;
张颖奇,严亚玲,刘毅弘,魏光飚;几何形态测量学方法在小哺乳动物化石分类鉴定中的应用——4种类化石大样本的个案研究;《古脊椎动物学报》2012年04期;
郑剑宁,周力沛,裘炯良,杨定波;亚洲10国鼠科常见鼠种类、分布与鉴定概述;中国媒介生物学及控制杂志2008年6月第19卷第3期;
卢学理,蒋志刚,唐继荣,王学杰,向定乾,张建平;自动感应照相系统在大熊猫以及同域分布的野生动物研究中的应用[J];动物学报;2005年03期;
葛德燕,夏霖,吕雪霏,黄乘明,杨奇森,黄建华;几何形态学方法及其在动物发育与系统进化研究中的应用;动物分类学报,2012年02期;
杨红,张子慧;中华姬鼠与大林姬鼠头骨的几何形态学研究[J];四川动物;2011年05期;
廖继承,肖振龙,董媛,张知彬,刘发,李金钢;甘肃仓鼠的分类地位[J];动物学报;2007年01期;
蒋学龙,王应祥;长尾姬鼠分类地位的探讨[J];动物学研究;2000年06期;
杨建东,胡锦矗,张泽钧;四川姬鼠属分类地位的研究及其种系关系的探讨[J];四川师范学院学报(自然科学版);2002年02期;
马世来,里查德·何里来;自动感应照像系统在野生动物调查中的应用;动物学研究,1996年04期;
AlicaS Ivan Perez and Diego H Verzi.2011.Ecological andphylogenetic influence on mandible shape variation of South Americancaviomorph rodents(Rodentia:Hystricomorpha).Bio.J.Linnean Soci.,102(4):828-837.
Cooper NK,Teale RJ,Kendrick PG and Durrant C.2006.Identification ofthe Desert Mouse,Pseudomys desertor and the Western Chestnut Mouse,Pseudomys nanus.Western Australian Naturalist,25(3):141-151.
Makundi RH and Massawe AW.2011.Ecologically based rodentmanagement in Africa:Potential and challenges.Wildlife Research,38(7):588-595.
Rácz GR,Gubányi A and Vozár2005.Morphometric differencesamong root vole(Muridae:Microtus Oeconomus)populations in Hungary.Acta Zoologica Academiae Scientiarum Hungaricae,51(2):39-53.
Searle JB,Jamieson PM,Gunduz Islam,Steven MI,Jones EP,GemmillCEC and King CM.2009.The diverse origins of New Zealand house mice.Proc.R.Soc.B,276,209-217.
然而,到目前为止仍未有涉及小型哺乳动物(鼠类)监测识别系统的任何文献及专利。
发明内容
针对上述现有技术中存在的问题,本发明的目的是提供一种效率高,操作方便,监测数据准确的小型哺乳动物(鼠类)智能识别系统。
为了实现上述发明的目的,本发明采用如下技术方案:
一种小型哺乳动物(鼠类)智能识别系统,包括,图像自动采集系统,图像智能识别系统以及数据实时传输系统,所述图像自动采集系统通过拍摄方式将采集的图像存入存储模块后,再由所述图像自动采集系统的通信模块实时传输至计算机服务器终端,然后通过所述图像智能识别系统对所采集的图像进行识别匹配,自动将捕获小型哺乳动物(鼠类)进行分类,输出结果,其中:
所述图像自动采集系统包括照明系统,成像系统,线阵CCD及其驱动器,AD数据转化电路,SRAM存储器,所述接口电路以及通信模块,所述照明系统发出光照射到被测物体上,所述被测物体表面信息图像通过所述成像系统成像到所述线阵CCD的像敏面上,所述线阵CCD在所述驱动器的驱动下完成光电转换,将转换后的信号送给所述AD转换器形成数字信号,由所述SRAM存储器进行数据缓存,然后由所述接口电路存入设备通信模块;
所述图像智能识别系统包括图像采集、标准数据库、模式识别和结果输出,标准数据库建立须经图像预处理后进行特征拾取,所述特征提取在图像数据库中进行提取后经数字符号存入特征模块中,捕获新数据须经图像预处理、特征拾取与标准数据库特征模块通过所述模式匹配模块进行识别匹配,输出结果;所述数据实时传输系统包括信息发射器、传输网络以及计算机服务器终端,所述网络实现数据信息在监测终端和计算机服务器终端之间实时交换和传输。
进一步地,所述图像自动采集系统通过智能拍照模块,利用移动监测拍摄、红外感应拍摄以及外部触发拍摄方式实现图像自动采集。
进一步地,所述照明系统通过稳定源发出稳定、均匀的光或者使用闪光灯自动触发闪光,提供补充光源。
进一步地,所述图像预处理包括图像规整化、图像去噪、图像增强和图像锐化。
进一步地,所述模式匹配模块通过加权综合得到结果后输出结果。
进一步地,所述模式匹配模块综合采用模板匹配法、逻辑特征分析法、模糊模式识别、神经网络法、句法模式识别法以及统计特征法进行识别匹配。
进一步地,所述网络包括2G/3G/4G网络、蓝牙技术网络以及无线网桥。
进一步地,所述数据实时传输系统还可以通过闪存卡人工存取实现数据的交换和传输。
由于采用以上技术方案,本发明的有益效果包括:
本发明提供的小型哺乳动物(鼠类)智能识别系统为害鼠监测和鼠害防控体系提供了实时、动态的精准数据,从而提高了鼠害防控水平,提升了防灾减灾能力,保障了我国农林牧业可持续发展。
本发明提供的小型哺乳动物(鼠类)智能识别系统根本上改变了小型哺乳动物野外生态调查直接捕获、人工辨认、分类计数的传统方式,进而节省了投入庞大的人力、物力、财力,更提高了调查数据的准确性,是一种新的科技含量高的人工智能识别方式。
附图说明
图1为本发明提供的小型哺乳动物(鼠类)智能识别系统中的图像自动采集系统示意图;
图2为本发明提供的小型哺乳动物(鼠类)智能识别系统中图像智能识别系统操作流程图;
图3为本发明提供的小型哺乳动物(鼠类)智能识别系统的硬件系统的组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图及实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明涉及的新技术、新方法的融合创新如下:
1)几何形态学发展
人类对生物有机体的认识和生物分类系统的建立在很大程度上依赖于对其形态结构的观察与认知。生物的形态主要由大小、形状、方位和物理性能4个元素构成,它们决定了生物有机体的生理机能,同时也是探讨生物个体发育与系统进化研究领域中重要科学问题的重要要素,也是探讨其物种分类的重要形态依据。
随着生物成像技术的发展,人类在对生物有机体的研究中越来越需要对研究对象进行真实还原,以模拟其生命活动完成的真实过程;随着电子科学技术的发展,计算机处理海量数据的能力不断提高,几何形态学在研究方法上也逐渐由以二维数据为主的研究向三维的方向发展。随着三维成像技术以及高速计算机运行技术的发展,生物形态学的研究也将更加得以量化和科学化。在生物多样性的保护中,也可尝试在物种自动识别系统的建立,尤其是对珍稀物种整体外形、头骨、肢骨等的自动识别中引入几何形态学的理论和方法。
在国外,几何形态学已广泛应用于探讨生物的个体发育、种群分化、系统进化等多个方面,其研究对象涉及到植物、动物、微生物的多个类群。在国内,白明等曾以综述介绍过该领域的理论基础和方法,其不同方法也在现生生物和古生物的研究领域得到初步运用。同时,亦有研究者将类似于几何形态学的数学形态学应用于昆虫分类及其远程识别系统的建立。
近5年来该领域也在快速发展,目前几何形态学的原理和方法已经广泛地应用于各个领域:医学诊断中的畸形预测、重要器官的病理诊断、骨骼矫正等;考古研究中一些重要历史人物面貌的重建以及珍贵文物的复原等;刑事侦查中的人脸自动识别系统的建立;农产品筛选中牡蛎、贝类、水果等的随机抽样检验等。
2)高速成像技术
随着数码技术、半导体制造技术、光电子技术以及网络的迅速发展,半导体集成图像传感器逐渐取代了真空管图像传感器,成为图像传感器的主流。
图像传感器是将光学图像转换成一维时序信号的器件,包括真空管图像传感器、半导体集成图像传感器和扫描型图像传感器等。其中,真空管图像传感器主要包括电子束摄像管、像增强管与变相管等;半导体集成图像传感器主要以CCD、CMOS为代表。
线阵CCD广泛应用于图像扫瞄仪、传真机、电影放映机中的高品质的还音设备及工业非接触尺寸检测、控制等领域,而面阵CCD主要应用于数码相机(DSC),医用、公安与工业内窥镜系统,道路、交通与保安监视系统,工业非接触尺寸检测、航空、航天等领域的图像传感与控制。CCD作为光电转换式图像传感器,以其灵敏度高、动态范围大、光谱响应宽、功耗低、分辨率高和采样速度快等一系列特点成为现代电子学和现代测试技术中最活跃的传感器,也是高速传感、精度成像成为可能。
3)数字图像处理技术
数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理,起源于20世纪20年代,目前已广泛地应用于科学研究、工农业生产、生物医学工程、航空航天、军事、工业检测、机器人视觉、公安司法、军事制导、文化艺术等,发挥着越来越大的作用。数字图像处理作为一门学科形成于20世纪60年代初期,早期的图像处理的目的是改善图像的质量,以人为对象,以改善人的视觉效果为目的,随着图像处理技术的深入发展,从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界,也称为图形理解或计算机视觉。数字图像处理技术是实现图像识别的基础。
4)模式识别技术
模式识别诞生于20世纪20年代,随着40年代计算机的出现,50年代人工智能的兴起,模式识别在20世纪60年代迅速发展成为一门学科。它所研究的理论和方法在很多科学和技术领域中得到了广泛的重视,推动了人工智能系统的发展,扩大了计算机应用的可能性。
随着通信、网络、计算机的发展,计算机图像识别技术已经在很多领域得到了广泛的应用。目前国内外已经把图像识别技术应用到很多领域,其中最典型的应用有:
①光学信息处理上如光学文字识别、光学标记识、光学图形识别、光谱能量分析等。
②医疗仪器上的样本检查分析、眼球运动检测、X射线摄像、胃镜、肠镜摄像等。
③自动化仪器如自动售货机、自动搬运机、监视装置等。
④在工业自动检测上如零件尺寸的动态检查、产品质量、包装、形状识、表面缺陷检测等。
⑤军事上有卫星侦察、航空遥感、微光夜视、导弹制导、目标跟踪、军事图像通信等,例如美国及一些国际组织发射了资源遥感卫星(如LANDSAT系列)和天空实验室(如SKYLAB)。
⑥人工智能方面有机器人视觉、无人自动驾驶、邮件自动分检、指纹识别、人脸识别等,例如中科院计算所自主研制的“面像检测与识别核心技术”。
模式识别是一门综合性学科,它涉及和利用到数学、计算机科学等多学科的知识,如何将这些学科的新方法新成就综合应用到模式识别中,提出更加符合人类认识的识别方法也是进一步值得研究的问题。而本发明也是模式识别延伸到动物分类学中的应用。
本发明是通过生物成像技术、数字图像处理技术、无线传输技术及人工智能模式识别技术监控区域内小型哺乳动物(鼠类)数量并自动分类,为鼠类监测和鼠害疫情防控提供实时、准确数据支撑。
如图1、2、3所示,本发明提供的一种小型哺乳动物(鼠类)智能识别系统,包括,图像自动采集系统,图像智能识别系统以及数据实时传输系统。
如图1所示,图像自动采集系统包括照明系统,成像系统,线阵CCD及其驱动器,AD数据转化电路,SRAM存储器,接口电路以及通信模块。稳流源使照明系统发出稳定、均匀的光照射到被测物体上,使被测物体表面信息图像通过光学成像系统成像到所述线阵CCD的像敏面上,线阵CCD在驱动器的驱动下完成光电转换,将转换后的信号送给AD转换器形成数字信号,由SRAM存储器进行数据缓存,然后由接口电路存入设备通信模块。计算机中的应用软件对接口进行控制,并将采集到的数据进行处理和显示。
在上述系统中,图像自动采集系统通过智能拍照模块,利用移动监测拍摄、红外感应拍摄以及外部触发拍摄方式实现图像自动采集。
如图2所示,图像智能识别系统包括图像采集、标准数据库、模式识别和结果输出。本发明是基于小型哺乳动物(鼠类)外部特征的图像识别检索技术,主要流程如下:
1)图像获取
图像获取就是图像数字化处理,把监测系统中采集到的图像转换成了数字图像,以便于输入到计算机内对其进行处理与运算。数字图像是指在空间坐标和灰度上都已经离散化了的图像,其中的每一个点代表图像的一个像素,整幅图像就是由这些像素点组成的。
2)图像预处理
图像预处理的目的是去除噪声、校正失真、加强有用信息、把图像转化成标准图像。本系统中图像预处理工作主要包括图像大小的规整化、图像去噪、图像锐化和圈像增强四项操作。图像只有经过该预处理操作之后才能够准确而方便地进行下一步的特征拾取工作。处理好的图像存放在图像库中以便进行下一步的特征提取工作。
3)特征提取及特征模块
特征提取是将采集到的动物图片借助特征提取和表达转化为图像内容的描述,从而可使用计算机自动实现图像的查询检索工作。该系统对各种图像特征的描述均采用特征向量的方式,用户录入采集图像到该系统后,系统会自动计算出相应的特征向量。之后再将它们存储在系统后台的数据库特征模块中,以便为下一步的识别匹配操作作好准备。
4)识别匹配
模式匹配模块的功能是将对示例图像的表达描述与库中图像的表达描述进行识别匹配,以确定它们在内容上的一致性和相似性,从而识别出所需要的图像。本发明使用的是综合特征匹配,综合特征间的匹配是通过分别赋予不同特征以不同的权重进行加权来实现的,综合相似度则为各不同特征的相似度进行加权后求和得到的。权重值的大小可根据库中图像的具体特点自行调整输入。如若图像的某一特征比较鲜明和重要时,可赋予该特征特征的权值大些。
5)结果输出
根据不同特征的逐一检索,输出相匹配的结果。
在上述系统中模式匹配模块综合采用模板匹配法、逻辑特征分析法、模糊模式识别、神经网络法、句法模式识别法以及统计特征法进行识别匹配。
如图3所示,数据实时传输系统包括信息发射器、网络以及计算机服务器终端,所述网络实现数据信息在监测终端和计算机服务器终端实时交换和传输。其中网络可以采用以下几种:
1)2G/3G/4G网络数据传输
基于无线传输技术和网络技术的发展,利用2G/3G/4G移动网络实现数据在服务器和监测系统之间点对点传输。
2)蓝牙数据传输
蓝牙技术是一种无线个人联网技术。作为一种开放性的标准,蓝牙可以提供在短距离内的数字语音和数据的传输,可以支持在移动设备和桌面设备之间的点对点或者点对多点的应用。
蓝牙的标准是IEEE802.15,工作在2.4GHz频带,带宽为1Mb/s。蓝牙技术使用高速跳频(FH,Frequency Hopping)和时分多址(TDMA,Time DivesionMuli—access)等先进技术,在近距离内最经济地将多台数字化设备(各种移动设备、固定通信设备、计算机及其终端设备、各种数字数据系统)呈网状链接起来,蓝牙技术将是网络中各种外围设备接口的统一桥梁。
本发明将蓝牙作为一种短距无线通讯技术,实现数据信息在服务器和监测系统之间进行无线信息交换和传输。
3)无线网桥数据传输
无线网桥是WLAN技术中一项重要的应用方式,是无线射频技术和传统的有线网桥技术相结合的产物。无线网桥可以无缝地将相隔数十公里的局域网络连接在一起,创建统一的区域或城域网络系统,在最简单的网络构架中,网桥的以太网端口连接到局域网中的某个集线器或交换机上,信号发射端口则通过电缆和天线相连接;通过这样的方式实现网络系统的扩展。无线网桥可支持远距离的点对点桥接,点对多点桥接,点对点路由,点对多点路由,桥接和接入等场合使用。
本发明使用无线网桥点对点桥接模式实现监测系统和服务器之间的数据传输。
在上述系统中,数据实时传输系统还可以通过闪存卡人工存取实现数据的交换和传输,即利用闪存技术将拍摄到图像直接存储到闪存卡或者小型存储硬盘,例如SD/CF/SM/XD/MS记忆棒等,定时人工取出存储设备连接电脑进入识别程序。
再次参照图2和图3,图像自动采集系统通过照相机或摄像机的触发拍照后采集的图像存入存储模块中,再通过USB/APP接口电路存入设备通信模块中,经网络传输系统(2G/3G/4G网络、蓝牙网络以及无线网桥)实时传输到计算机服务器终端,然后通过计算机的软件,即图像智能识别系统对采集的图像进行识别匹配,输出结果。自动将捕获小型哺乳动物(鼠类)进行分类。
以上所述仅为本发明的较佳实施例,并非用来限定本发明的实施范围;如果不脱离本发明的精神和范围,对本发明进行修改或者等同替换,均应涵盖在本发明权利要求的保护范围当中。
Claims (8)
1.一种小型哺乳动物(鼠类)智能识别系统,其特征在于,包括,图像自动采集系统,图像智能识别系统以及数据实时传输系统,所述图像自动采集系统通过拍摄方式将采集的图像存入存储模块后,再由所述图像自动采集系统的通信模块经过网络传输系统实时传输至计算机服务器终端,然后通过所述图像智能识别系统对所采集的图像进行识别匹配,自动将捕获小型哺乳动物(鼠类)进行分类,输出结果,其中:
所述图像自动采集系统包括照明系统,成像系统,线阵CCD及其驱动器,AD数据转化电路,SRAM存储器,所述接口电路以及通信模块,所述照明系统发出光照射到被测物体上,所述被测物体表面信息图像通过所述成像系统成像到所述线阵CCD的像敏面上,所述线阵CCD在所述驱动器的驱动下完成光电转换,将转换后的信号送给所述AD转换器形成数字信号,由所述SRAM存储器进行数据缓存,然后由所述接口电路存入设备存储模块;
所述图像智能识别系统包括图像采集、标准数据库、模式识别和结果输出,标准数据库建立须经图像预处理后进行特征拾取,所述特征提取在图像数据库中进行提取后经数字符号存入特征模块中;捕获新数据须经图像预处理、特征拾取与标准数据库特征模块通过所述模式匹配模块进行识别匹配,输出结果;
所述数据实时传输系统包括信息发射器、传输网络以及计算机服务器终端,所述网络实现数据信息在监测终端和计算机服务器终端实时交换和传输。
2.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述图像自动采集系统通过智能拍照模块,利用移动监测拍摄、红外感应拍摄以及外部触发拍摄方式实现图像自动采集。
3.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述照明系统通过稳定源发出稳定、均匀的光或者使用闪光灯自动触发闪光,提供补充光源。
4.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述图像预处理包括图像规整化、图像去噪、图像增强和图像锐化。
5.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述模式匹配模块通过加权综合得到结果后输出结果。
6.根据权利要求5所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述模式匹配模块综合采用模板匹配法、逻辑特征分析法、模糊模式识别、神经网络法、句法模式识别法以及统计特征法进行识别匹配。
7.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述网络包括2G/3G/4G网络、蓝牙技术网络以及无线网桥。
8.根据权利要求1所述的小型哺乳动物(鼠类)智能识别系统,其特征在于,所述数据实时传输系统还可以通过闪存卡人工存取实现数据的交换和传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410527959.0A CN104320610B (zh) | 2014-10-09 | 2014-10-09 | 小型哺乳动物(鼠类)智能识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410527959.0A CN104320610B (zh) | 2014-10-09 | 2014-10-09 | 小型哺乳动物(鼠类)智能识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104320610A true CN104320610A (zh) | 2015-01-28 |
CN104320610B CN104320610B (zh) | 2018-08-10 |
Family
ID=52375773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410527959.0A Active CN104320610B (zh) | 2014-10-09 | 2014-10-09 | 小型哺乳动物(鼠类)智能识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104320610B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068137A (zh) * | 2015-07-29 | 2015-11-18 | 中国检验检疫科学研究院 | 一种鼠迹探测仪 |
CN105163096A (zh) * | 2015-10-16 | 2015-12-16 | 盐城工学院 | 一种图像智能高效识别系统 |
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
CN109257575A (zh) * | 2018-11-09 | 2019-01-22 | 广东佰得威病媒生物监测评估有限公司 | 一种鼠类密度监测方法及监测系统 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
CN109547550A (zh) * | 2018-11-27 | 2019-03-29 | 浙江帮帮环境科技集团有限公司 | 智能无线监测管理系统 |
CN109685063A (zh) * | 2019-01-03 | 2019-04-26 | 成都泰盟软件有限公司 | 一种基于色调饱和度的实验动物图像标定方法 |
CN109963460A (zh) * | 2016-11-24 | 2019-07-02 | 夏普株式会社 | 动物识别装置、动物识别装置的控制方法以及程序 |
CN110245625A (zh) * | 2019-06-19 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于孪生神经网络的野外大熊猫识别方法及系统 |
CN110278630A (zh) * | 2019-05-22 | 2019-09-24 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN110428406A (zh) * | 2019-07-29 | 2019-11-08 | 上海秒针网络科技有限公司 | 鼠迹监测方法及系统 |
CN110941185A (zh) * | 2019-12-20 | 2020-03-31 | 安徽大学 | 一种用于二值神经网络的双字线6tsram单元电路 |
CN113312981A (zh) * | 2021-05-07 | 2021-08-27 | 联通(广东)产业互联网有限公司 | 机房鼠类图像识别方法、系统和存储介质 |
CN115527130A (zh) * | 2022-09-20 | 2022-12-27 | 中国农业科学院农业信息研究所 | 草原害鼠鼠密度调查方法及智能评估系统 |
CN115809982A (zh) * | 2022-08-08 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电芯压伤检测方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001045945A (ja) * | 1999-08-06 | 2001-02-20 | Terada Seisakusho Co Ltd | 害虫発生調査装置 |
US20060150470A1 (en) * | 2003-06-16 | 2006-07-13 | Per Ronnau | Pest control system |
CN101320319A (zh) * | 2008-05-14 | 2008-12-10 | 山东大学 | 一种适时识别水生动物的装置及其工作方法 |
CN201886585U (zh) * | 2010-09-20 | 2011-06-29 | 江阴市威豪电器有限公司 | 基于红外图像识别和模式匹配的自动报警器 |
CN102202216A (zh) * | 2011-05-13 | 2011-09-28 | 南京信息工程大学 | 一种鼠虫监控装置及采用其进行图像跟踪识别的方法 |
CN102393920A (zh) * | 2011-06-23 | 2012-03-28 | 全国农业技术推广服务中心 | 病虫害数量采集终端及数据系统 |
CN203340874U (zh) * | 2013-07-03 | 2013-12-18 | 何伟秋 | 一种红外线激光灭鼠器 |
CN103299969B (zh) * | 2013-06-09 | 2014-10-08 | 浙江大学 | 一种害虫诱捕装置和害虫远程识别监控系统 |
-
2014
- 2014-10-09 CN CN201410527959.0A patent/CN104320610B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001045945A (ja) * | 1999-08-06 | 2001-02-20 | Terada Seisakusho Co Ltd | 害虫発生調査装置 |
US20060150470A1 (en) * | 2003-06-16 | 2006-07-13 | Per Ronnau | Pest control system |
CN101320319A (zh) * | 2008-05-14 | 2008-12-10 | 山东大学 | 一种适时识别水生动物的装置及其工作方法 |
CN201886585U (zh) * | 2010-09-20 | 2011-06-29 | 江阴市威豪电器有限公司 | 基于红外图像识别和模式匹配的自动报警器 |
CN102202216A (zh) * | 2011-05-13 | 2011-09-28 | 南京信息工程大学 | 一种鼠虫监控装置及采用其进行图像跟踪识别的方法 |
CN102393920A (zh) * | 2011-06-23 | 2012-03-28 | 全国农业技术推广服务中心 | 病虫害数量采集终端及数据系统 |
CN103299969B (zh) * | 2013-06-09 | 2014-10-08 | 浙江大学 | 一种害虫诱捕装置和害虫远程识别监控系统 |
CN203340874U (zh) * | 2013-07-03 | 2013-12-18 | 何伟秋 | 一种红外线激光灭鼠器 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068137A (zh) * | 2015-07-29 | 2015-11-18 | 中国检验检疫科学研究院 | 一种鼠迹探测仪 |
CN105163096A (zh) * | 2015-10-16 | 2015-12-16 | 盐城工学院 | 一种图像智能高效识别系统 |
CN109963460A (zh) * | 2016-11-24 | 2019-07-02 | 夏普株式会社 | 动物识别装置、动物识别装置的控制方法以及程序 |
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
CN109257575A (zh) * | 2018-11-09 | 2019-01-22 | 广东佰得威病媒生物监测评估有限公司 | 一种鼠类密度监测方法及监测系统 |
CN109547550A (zh) * | 2018-11-27 | 2019-03-29 | 浙江帮帮环境科技集团有限公司 | 智能无线监测管理系统 |
CN109685063A (zh) * | 2019-01-03 | 2019-04-26 | 成都泰盟软件有限公司 | 一种基于色调饱和度的实验动物图像标定方法 |
CN110278630B (zh) * | 2019-05-22 | 2022-09-27 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN110278630A (zh) * | 2019-05-22 | 2019-09-24 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN110245625A (zh) * | 2019-06-19 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于孪生神经网络的野外大熊猫识别方法及系统 |
CN110428406A (zh) * | 2019-07-29 | 2019-11-08 | 上海秒针网络科技有限公司 | 鼠迹监测方法及系统 |
CN110941185B (zh) * | 2019-12-20 | 2022-06-07 | 安徽大学 | 一种用于二值神经网络的双字线6tsram单元电路 |
CN110941185A (zh) * | 2019-12-20 | 2020-03-31 | 安徽大学 | 一种用于二值神经网络的双字线6tsram单元电路 |
CN113312981A (zh) * | 2021-05-07 | 2021-08-27 | 联通(广东)产业互联网有限公司 | 机房鼠类图像识别方法、系统和存储介质 |
CN113312981B (zh) * | 2021-05-07 | 2024-05-28 | 联通(广东)产业互联网有限公司 | 机房鼠类图像识别方法、系统和存储介质 |
CN115809982A (zh) * | 2022-08-08 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电芯压伤检测方法、装置及系统 |
CN115809982B (zh) * | 2022-08-08 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 电芯压伤检测方法、装置及系统 |
WO2024032007A1 (zh) * | 2022-08-08 | 2024-02-15 | 宁德时代新能源科技股份有限公司 | 电芯压伤检测方法、装置及系统 |
CN115527130A (zh) * | 2022-09-20 | 2022-12-27 | 中国农业科学院农业信息研究所 | 草原害鼠鼠密度调查方法及智能评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104320610B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104320610B (zh) | 小型哺乳动物(鼠类)智能识别系统 | |
Anami et al. | Deep learning approach for recognition and classification of yield affecting paddy crop stresses using field images | |
Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
Skovsen et al. | The GrassClover image dataset for semantic and hierarchical species understanding in agriculture | |
Wang et al. | YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
CN103279760A (zh) | 一种植物检疫幼虫实时分类方法 | |
Zhang et al. | Biometric facial identification using attention module optimized YOLOv4 for sheep | |
Kumar et al. | An identification of crop disease using image segmentation | |
Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
Li et al. | Construction of a dataset of stored-grain insects images for intelligent monitoring | |
Rajamohanan et al. | An Optimized YOLO v5 Model for Tomato Leaf Disease Classification with Field Dataset | |
Li et al. | Disease recognition of maize leaf based on KNN and feature extraction | |
Albert et al. | Semi-supervised dry herbage mass estimation using automatic data and synthetic images | |
Mishra et al. | A robust pest identification system using morphological analysis in neural networks | |
CN205103173U (zh) | 基于多类图像终端—服务器架构的大田作物信息检测系统 | |
Huang et al. | In-field cotton boll counting based on a deep neural network of density level classification | |
Li et al. | A review of rgb image-based internet of things in smart agriculture | |
Kalmukov et al. | Methods for Automated Remote Sensing and Counting of Animals | |
Liang et al. | An improved convolutional neural network for plant disease detection using unmanned aerial vehicle images | |
Zhigang et al. | Prototype system of automatic identification cotton insect pests and intelligent decision based on machine vision | |
Zhu et al. | Detection and Localization of Tea Bud Based on Improved YOLOv5s and 3D Point Cloud Processing | |
Deng et al. | A real-time sheep counting detection system based on machine learning. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |