CN108924483A - 一种基于深度学习技术的野外动物的自动监测系统和方法 - Google Patents

Abstract

本发明涉及生态监测技术领域，尤其是一种基于深度学习技术的野外动物的自动监测系统，数据采集端内设置有控制器模块，所述控制器模块电性连接有声音采集模块、图像采集模块、通信模块、蓄电池模块以及执行模块，且执行模块还电性连接在声音采集模块以及图像采集模块上；数据分析端内设置有处理器，且处理器电性连接有视频图像分析模块、声音分析模块、储存模块、显示模块、操作模块、互交模块以及数据收发器。本发明监测野外动物具有极高的准确性，并且监测方法部署方便，配置简单，极大简化野外动物监测过程，提高监测效率。

Description

一种基于深度学习技术的野外动物的自动监测系统和方法

技术领域

本发明涉及生态监测技术领域，尤其涉及一种基于深度学习技术的野外动物的自动监测系统和方法。

背景技术

生态监测领域，对野外动物的监测一直是一项非常费时，费力的工作。工作人员常常需要对某个区域内动物进行追踪，统计，但是这项工作往往很难完成，一方面很难追踪到野外动物的痕迹，另一方面为了追踪到野外动物的痕迹，可能需要工作人员数十天甚至几个月的蹲守，效率非常低。有时，工作人员会在某些区域假设摄像头来记录是否有野外动物的痕迹，但这么做的实时性比较低，而且也经常需要工作人员到现场去获取监控数据。

另一方面，传统的图像识别技术，生意识别技术的准确率比较低，但是近几年深度学习技术进展迅速，在图像识别以及声音识别方面都已经取得了非常好的进展。运用深度学习技术，很容易做到图像以及声音的识别。比如给定一张图片，识别出图片中的老虎，或者录制一段声音，判断声音中是否有天鹅的叫声。

生态监测领域的自动化程度低，如果将深度学习技术运用到野外动物的监测领域，则可以极大的提高效率，简化工作人员的工作。为此，我们提出了一种基于深度学习技术的野外动物的自动监测系统和方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于深度学习技术的野外动物的自动监测系统和方法。

为了实现上述目的，本发明采用了如下技术方案：

设计一种基于深度学习技术的野外动物的自动监测系统，包括数据分析端以及多个数据采集端，多个所述数据采集端分别设置在采集区域的不同地区，多个数据采集端均通过无线传输网络信号连接在数据分析端上，且数据采集端内设置有控制器模块，所述控制器模块电性连接有声音采集模块、图像采集模块、通信模块、蓄电池模块以及执行模块，且执行模块还电性连接在声音采集模块以及图像采集模块上，所述通信模块通过无线传输网络信号连接在数据分析端上；

数据分析端内设置有处理器，且处理器电性连接有视频图像分析模块、声音分析模块、储存模块、显示模块、操作模块、互交模块以及数据收发器，所述数据收发器通过无线传输网络信号连接在多个数据采集端上。

优选的，还包括光伏发电单元，且光伏发电单元的输出端电性连接在蓄电池模块上。

优选的，所述视频图像分析模块内还设置有图像训练模块以及图像识别模块。

优选的，所述声音分析模块内还设置有声音训练模块以及声音识别模块。

优选的，所述无线传输网络具体为4G传输模块、WIFI传输模块或者3G传输模块。

本发明还提供了一种基于深度学习技术的野外动物的自动监测方法，具体步骤如下：

(1)、准备目标动物的图像或者声音样本；

(2)、模型训练：利用图像训练模块以及声音训练模块进行训练，从而能得到动物图像识别模型与动物声音识别模型，训练完成后，将模型存储下来，并储存至储存模块内，供推理时使用；

(3)、在数据分析端运行图像识别模型和声音识别模型；

(4)、在采集区域的不同地区架设数据采集端，并配置采集数据通过无线传输网络传送到数据分析端；

(5)、进入自动化监测阶段：数据采集端不断的将监测的图像数据和声音数据传送到数据分析端，数据分析端对收到的图像数据和声音数据分别进行推理识别，并对分析结果做相应处理；

(6)、若是要更新监测动物类型，比如添加想要发现的目标动物种类，只需要重新训练图像模型和声音模型即可。

优选的，在(5)中数据监测的具体步骤如下：

S1、基于声音的自动监测过程如下：

1)、目标动物的声音模型训练好后，在数据分析端启动声音识别功能，并配置好数据采集端；

2)、利用声音采集模块实时采集所在区域周围的环境声音；

3)、在监测到声音数据后，利用数据采集端对声音做简单预处理，即过滤掉无效的声音片段，然后将有效声音通过无线传输网络发送到数据分析端；

4)、数据分析端接收到声音数据，声音分析模块分析采集的声音数据，如果发现目标动物的声音，则进行声音监测辅助图像监测过程；

S2、基于图像的自动监测过程如下：

1)、目标动物的图像模型训练好后，在数据分析端启动图像识别功能，并配置好数据采集端；

2)、图像采集模块持续不断的采集图像；

3)、在监测到图像数据后，利用数据采集端对图像做简单预处理，即过滤掉无效的图片，然后将有效图片通过无线传输网络发送到数据分析端；

4)、数据分析端中的图像识别模块处理采集的图像数据，若是在图像中发现目标动物，做相应处理，比如通知工作人员或者发送指令给客户端追踪目标动物。

优选的，声音监测辅助图像监测的具体步骤如下：

在图像采集存在盲区时，而声音采集时没有盲区的，能够让声音采集辅助图像采集，如果数据分析端发现目标动物的声音，并且图像分析模块并没有发现该目标动物，则数据分析端发送指令给数据采集端，指示图像采集客户端旋转采集角度，直到从图像中监测到了发出声音的目标动物或者采集角度旋转了一周，即完成辅助监测。

优选的，所述的图像和声音的识别过程如下：

A、声音识别模块的功能是判断采集到的声音数据中是否有目标动物的声音，为了构建这样的声音识别模块，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物声音样本，训练的结果是得到动物声音识别模型参数，将模型参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一段声音片段，判断这个声音片段中是否有目标动物的声音；

B、图像识别模块的功能是判断采集到的图像中是否有目标动物，为了构建这样图像识别系统，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物的图片样本，训练的结果是得到动物图像识别模型的参数，将模型的参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一副图像后，判断图像中是否有目标动物。

优选的，具体更新过程如下：

1、提供目标动物数据，图像模型则提供图像，声音模型则提供声音；

2、在原有数据集中加入新物种的数据集，重新训练模型，得到新的模型参数；

3、重启目标监测模型；

4、如果是要删除对某种动物的监测，则从当前的训练样本中删除这种动物的样本数据，即可。

本发明提出的一种基于深度学习技术的野外动物的自动监测系统和方法，有益效果在于：该系统能够将数据采集端所采集的图像和声音数据实时远程发送给数据分析端，并数据分析端指令；数据分析端对采集的声音和图像进行分析，检测到目标动物后记录下来，并发出调整指令指示客户端追踪拍摄目标动物，数据分析端可自动完成对监测记录的统计，提供监测结果，也能够按需求提供实时的监测结果给观测人员，数据分析端采用深度学习技术来检测识别动物，将声音识别和图像识别相结合来监测目标动物，可以提高监测的准确性，系统也支持目标物种更新升级，且只需要提供一些目标动物的图像和声音的样本就能够更新系统，使得系统支持识别新的目标动物。本发明监测野外动物具有极高的准确性，并且监测方法部署方便，配置简单，极大简化野外动物监测过程，提高监测效率。

附图说明

图1为本发明提出的一种基于深度学习技术的野外动物的自动监测系统的数据分析端的系统框图。

图2为本发明提出的一种基于深度学习技术的野外动物的自动监测系统的数据采集端的系统框图。

图3是声音监测辅助图像监测的流程图。

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1-3，一种基于深度学习技术的野外动物的自动监测系统，包括数据分析端以及多个数据采集端，多个所述数据采集端分别设置在采集区域的不同地区，多个数据采集端均通过无线传输网络信号连接在数据分析端上，数据采集端负责采集图像和声音，传送到数据分析端，必要时数据分析端也会传送控制指令给数据采集端。

数据采集端内设置有控制器模块，所述控制器模块电性连接有声音采集模块、图像采集模块、通信模块、蓄电池模块以及执行模块，且执行模块还电性连接在声音采集模块以及图像采集模块上，所述通信模块通过无线传输网络信号连接在数据分析端上；图像采集模块能够进行图像拍摄，并需要有对焦以及转换角度的功能，声音采集模块实时录制现场声音，声音的数字特征比如采样率，采样值范围需要与数据分析端端配置一致；控制模块有两个功能：1.判断图像的差异，判断声音的有无，据此来决定是否上传图像或声音；2.接收数据分析端的指令，比如对图像拍摄角度进行调整，通信模块负责数据采集端与数据分析端之间的数据传输。

数据分析端内设置有处理器，且处理器电性连接有视频图像分析模块、声音分析模块、储存模块、显示模块、操作模块、互交模块以及数据收发器，所述数据收发器通过无线传输网络信号连接在多个数据采集端上，所述视频图像分析模块内还设置有图像训练模块以及图像识别模块，所述声音分析模块内还设置有声音训练模块以及声音识别模块，视频图像分析模块能够进行图像训练以及图像分析识别；声音分析模块能够进行声音训练以及声音分析识别；交互模块有如下功能：1.设置更新：更新识别的目标；2.发送控制指令到客户端；3.记录或通知监测结果；4.根据图像声音的识别结果，计算对客户端的控制指令。

还包括光伏发电单元，且光伏发电单元的输出端电性连接在蓄电池模块上，在使用时，能够实时为数据采集端提供电能。

所述无线传输网络具体为4G传输模块、WIFI传输模块或者3G传输模块，能够通过多种方式进行监测数据的传输。

本发明还提供了一种基于深度学习技术的野外动物的自动监测方法，具体步骤如下：

(1)、准备目标动物的图像或者声音样本；

(2)、模型训练：利用图像训练模块以及声音训练模块进行训练，从而能得到动物图像识别模型与动物声音识别模型，训练完成后，将模型存储下来，并储存至储存模块内，供推理时使用；

(3)、在数据分析端运行图像识别模型和声音识别模型；

(4)、在采集区域的不同地区架设数据采集端，并配置采集数据通过无线传输网络传送到数据分析端；

(5)、进入自动化监测阶段：数据采集端不断的将监测的图像数据和声音数据传送到数据分析端，数据分析端对收到的图像数据和声音数据分别进行推理识别，并对分析结果做相应处理；

(6)、若是要更新监测动物类型，比如添加想要发现的目标动物种类，只需要重新训练图像模型和声音模型即可。

在(5)中数据监测的具体步骤如下：

S1、基于声音的自动监测过程如下：

1)、目标动物的声音模型训练好后，在数据分析端启动声音识别功能，并配置好数据采集端；

2)、利用声音采集模块实时采集所在区域周围的环境声音；

3)、在监测到声音数据后，利用数据采集端对声音做简单预处理，即过滤掉无效的声音片段，然后将有效声音通过无线传输网络发送到数据分析端；

4)、数据分析端接收到声音数据，声音分析模块分析采集的声音数据，如果发现目标动物的声音，则进行声音监测辅助图像监测过程；

S2、基于图像的自动监测过程如下：

1)、目标动物的图像模型训练好后，在数据分析端启动图像识别功能，并配置好数据采集端；

2)、图像采集模块持续不断的采集图像；

3)、在监测到图像数据后，利用数据采集端对图像做简单预处理，即过滤掉无效的图片，然后将有效图片通过无线传输网络发送到数据分析端；

4)、数据分析端中的图像识别模块处理采集的图像数据，若是在图像中发现目标动物，做相应处理，比如通知工作人员或者发送指令给客户端追踪目标动物。

声音监测辅助图像监测的具体步骤如下：

在图像采集存在盲区时，而声音采集时没有盲区的，能够让声音采集辅助图像采集，如果数据分析端发现目标动物的声音，并且图像分析模块并没有发现该目标动物，则数据分析端发送指令给数据采集端，指示图像采集客户端旋转采集角度，直到从图像中监测到了发出声音的目标动物或者采集角度旋转了一周，即完成辅助监测。

所述的图像和声音的识别过程如下：

A、声音识别模块的功能是判断采集到的声音数据中是否有目标动物的声音，为了构建这样的声音识别模块，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物声音样本，训练的结果是得到动物声音识别模型参数，将模型参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一段声音片段，判断这个声音片段中是否有目标动物的声音；

B、图像识别模块的功能是判断采集到的图像中是否有目标动物，为了构建这样图像识别系统，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物的图片样本，训练的结果是得到动物图像识别模型的参数，将模型的参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一副图像后，判断图像中是否有目标动物。

具体更新过程如下：

1、提供目标动物数据，图像模型则提供图像，声音模型则提供声音；

2、在原有数据集中加入新物种的数据集，重新训练模型，得到新的模型参数；

3、重启目标监测模型；

4、如果是要删除对某种动物的监测，则从当前的训练样本中删除这种动物的样本数据，即可。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习技术的野外动物的自动监测系统，包括数据分析端以及多个数据采集端，多个所述数据采集端分别设置在采集区域的不同地区，其特征在于，多个数据采集端均通过无线传输网络信号连接在数据分析端上，且数据采集端内设置有控制器模块，所述控制器模块电性连接有声音采集模块、图像采集模块、通信模块、蓄电池模块以及执行模块，且执行模块还电性连接在声音采集模块以及图像采集模块上，所述通信模块通过无线传输网络信号连接在数据分析端上；

数据分析端内设置有处理器，且处理器电性连接有视频图像分析模块、声音分析模块、储存模块、显示模块、操作模块、互交模块以及数据收发器，所述数据收发器通过无线传输网络信号连接在多个数据采集端上。

2.根据权利要求1所述的一种基于深度学习技术的野外动物的自动监测系统，其特征在于，还包括光伏发电单元，且光伏发电单元的输出端电性连接在蓄电池模块上。

3.根据权利要求1所述的一种基于深度学习技术的野外动物的自动监测系统，其特征在于，所述视频图像分析模块内还设置有图像训练模块以及图像识别模块。

4.根据权利要求1所述的一种基于深度学习技术的野外动物的自动监测系统，其特征在于，所述声音分析模块内还设置有声音训练模块以及声音识别模块。

5.根据权利要求1所述的一种基于深度学习技术的野外动物的自动监测系统，其特征在于，所述无线传输网络具体为4G传输模块、WIFI传输模块或者3G传输模块。

6.一种根据权利要求1-5所述的基于深度学习技术的野外动物的自动监测方法，其特征在于，具体步骤如下：

(1)、准备目标动物的图像或者声音样本；

(2)、模型训练：利用图像训练模块以及声音训练模块进行训练，从而能得到动物图像识别模型与动物声音识别模型，训练完成后，将模型存储下来，并储存至储存模块内，供推理时使用；

(3)、在数据分析端运行图像识别模型和声音识别模型；

(4)、在采集区域的不同地区架设数据采集端，并配置采集数据通过无线传输网络传送到数据分析端；

(5)、进入自动化监测阶段：数据采集端不断的将监测的图像数据和声音数据传送到数据分析端，数据分析端对收到的图像数据和声音数据分别进行推理识别，并对分析结果做相应处理；

(6)、若是要更新监测动物类型，比如添加想要发现的目标动物种类，只需要重新训练图像模型和声音模型即可。

7.根据权利要求6所述的一种基于深度学习技术的野外动物的自动监测方法，其特征在于，在(5)中数据监测的具体步骤如下：

S1、基于声音的自动监测过程如下：

1)、目标动物的声音模型训练好后，在数据分析端启动声音识别功能，并配置好数据采集端；

2)、利用声音采集模块实时采集所在区域周围的环境声音；

3)、在监测到声音数据后，利用数据采集端对声音做简单预处理，即过滤掉无效的声音片段，然后将有效声音通过无线传输网络发送到数据分析端；

4)、数据分析端接收到声音数据，声音分析模块分析采集的声音数据，如果发现目标动物的声音，则进行声音监测辅助图像监测过程；

S2、基于图像的自动监测过程如下：

1)、目标动物的图像模型训练好后，在数据分析端启动图像识别功能，并配置好数据采集端；

2)、图像采集模块持续不断的采集图像；

3)、在监测到图像数据后，利用数据采集端对图像做简单预处理，即过滤掉无效的图片，然后将有效图片通过无线传输网络发送到数据分析端；

4)、数据分析端中的图像识别模块处理采集的图像数据，若是在图像中发现目标动物，做相应处理，比如通知工作人员或者发送指令给客户端追踪目标动物。

8.根据权利要求7所述的一种基于深度学习技术的野外动物的自动监测方法，其特征在于，声音监测辅助图像监测的具体步骤如下：

在图像采集存在盲区时，而声音采集时没有盲区的，能够让声音采集辅助图像采集，如果数据分析端发现目标动物的声音，并且图像分析模块并没有发现该目标动物，则数据分析端发送指令给数据采集端，指示图像采集客户端旋转采集角度，直到从图像中监测到了发出声音的目标动物或者采集角度旋转了一周，即完成辅助监测。

9.根据权利要求6所述的一种基于深度学习技术的野外动物的自动监测方法，其特征在于，所述的图像和声音的识别过程如下：

A、声音识别模块的功能是判断采集到的声音数据中是否有目标动物的声音，为了构建这样的声音识别模块，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物声音样本，训练的结果是得到动物声音识别模型参数，将模型参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一段声音片段，判断这个声音片段中是否有目标动物的声音；

B、图像识别模块的功能是判断采集到的图像中是否有目标动物，为了构建这样图像识别系统，需要有两个步骤：

1)、训练步骤：生态学者需要先提供训练目标动物的图片样本，训练的结果是得到动物图像识别模型的参数，将模型的参数存储至储存模块内，能够在推理时使用；

2)、推理步骤：通过训练得到模型参数后，给定一副图像后，判断图像中是否有目标动物。

10.根据权利要求6所述的一种基于深度学习技术的野外动物的自动监测方法，其特征在于，具体更新过程如下：

1、提供目标动物数据，图像模型则提供图像，声音模型则提供声音；

2、在原有数据集中加入新物种的数据集，重新训练模型，得到新的模型参数；

3、重启目标监测模型；

4、如果是要删除对某种动物的监测，则从当前的训练样本中删除这种动物的样本数据，即可。