CN109460723A - 对鼠情进行统计的方法、装置以及存储介质 - Google Patents

Abstract

本申请公开了一种对鼠情进行统计的方法、装置以及存储介质。其中，该方法包括：获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。达到了通过计算模型就可以知道目标图片中包含的老鼠的数量的目的，从而实现了基于该计算模型，可以从包含有单个老鼠的多个图片中快速并准确地识别出包含的老鼠的数量的技术效果。进而解决了现有技术中存在的现有的老鼠识别的方法准确率低以及识别速度慢的技术问题。

Description

对鼠情进行统计的方法、装置以及存储介质

技术领域

本申请涉及鼠情监测领域，特别是涉及一种对鼠情进行统计的方法、装置及存储介质。

背景技术

目前传统的老鼠识别方法一般有以下几种方法：1)基于图像通过面积大小颜色区分，这种识别方法只能把面积大小、颜色等差别比较大的老鼠区分出来，而对大部分老鼠差异不是特别明显的，都无法准确识别，识别精度低，误差大。2)粉剂法，粉剂法是指定区域铺洒粉剂，根据生物在上面通过之后留下痕迹来判断是否有生物通过，再通过足迹来判断生物是否为老鼠，但是这样的识别方式往往只能识别是否有老鼠通过，不能统计老鼠数量，也不能统计老鼠出现的具体时间和规律，并且这样的方式又要受到环境等诸多因素的限制，如：天气，湿度，风力，是否有其他宠物或生物破坏等。3)基于步态分析进行区分，这种方法只能针对活动的老鼠腿部数据来推理计算，如果采集图片是半身的、静止的、或者攀爬的等等不规则图片，均无法进行老鼠识别，基于步态进行区分是否是同一只老鼠的方法准确低较低，使用范围较窄。4)目测法，目测法需要人持续观察追踪老鼠，老鼠活动范围广泛，有的地方人工无法到达，目测法检测成本高，需要消耗较大的人力物力。目测法也无法获取老鼠图片，也不能7*24小时不间断检测。因此这些方法实施起来难度较大，成本较高，主要的是准确率较低，识别速度较慢。市场迫切需要一种稳定、高效、高精度的老鼠识别统计方法，而这里面，老鼠识别是老鼠数量统计的一个核心问题。

针对上述的现有技术中存在的现有的老鼠识别的方法准确率低以及识别速度慢的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种对鼠情进行统计的方法、装置备以及存储介质，以至少解决现有技术中存在的现有的老鼠识别的方法准确率低以及识别速度慢的技术问题。

根据本公开实施例的一个方面，提供了一种对鼠情进行统计的方法，其特征在于，包括：获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

根据本公开实施例的另一个方面，还提供了一种存储介质，其特征在于，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

根据本公开实施例的另一个方面，还提供了一种对鼠情进行统计的装置，其特征在于，包括：目标图片获取模块，用于获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及统计信息生成模块，用于利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

根据本公开实施例的另一个方面，还提供了一种对鼠情进行统计的装置，其特征在于，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

在本公开实施例中，服务器通过从数据库中获取包含有单个老鼠图像的多个目标图片，其中生成该目标图片的操作包括对老鼠进行图像采集。然后服务器利用基于机器学习训练的计算模型对该目标图片进行分析，并生成与包括作为该图像采集的对象的老鼠的数量的统计信息。进而达到了通过计算模型就可以知道目标图片中包含的老鼠的数量的目的，从而实现了服务器基于该计算模型，可以从包含有单个老鼠的多个图片中快速并准确地识别出包含的老鼠的数量的技术效果。进而解决了现有技术中存在的现有的老鼠识别的方法准确率低以及识别速度慢的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的对鼠情进行统计的方法的计算机设备硬件结构框图；

图2是根据本公开实施例1所述的对鼠情进行统计的系统的示意图；

图3是根据本公开实施例1的第一个方面所述的对鼠情进行统计的方法的流程示意图；

图4是根据本公开实施例1的所述的服务器利用计算模型识别出的同一只老鼠的图片的示意图；

图5是根据本公开实施例1的所述的旋转矩阵的使用效果示意图；

图6是根据本公开实施例2的第一个方面所述的对鼠情进行统计的装置的示意图；以及

图7是根据本公开实施例3的第二个方面所述的对鼠情进行统计的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，还提供了一种对鼠情进行统计的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现对鼠情进行统计的方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本公开实施例中的对鼠情进行统计的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的对鼠情进行统计的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

图2是根据本本实施例所述的对鼠情进行统计的系统的示意图。参照图2所示，该系统包括：服务器200以及数据库100。其中，该数据库100可以配置于该服务器200内部，也可以配置于其他服务器和/或其他终端设备中。该服务器200可以从数据库100中获取多个包含有单个老鼠图像的图片(即目标图片)。然后服务器200利用基于机器学习训练的计算模型，对获取的多个目标图片进行分析，进而获得作为该目标图片采集的对象的老鼠数量。需要说明的是，系统中的服务器200可适用上面所述的硬件结构。

在上述运行环境下，根据本实施例的第一个方面，提供了一种对鼠情进行统计的方法，该方法由图2中所示的服务器200实现。图3示出了该方法的流程示意图，参考图3所示，该方法包括：

S302：获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及

S304：利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

具体地，服务器200从数据库100中获取多个目标图片，其中目标图片中包含单个老鼠图像，如图4所示。目标图片的大小为200*200px左右，不宜太大，也不宜太小。例如：多个目标图片中包含的老鼠图像为在预定的时间范围内老鼠在不同的场景下进行图像采集产生的。其中包含不同颜色、不同大小、不同姿态的老鼠。由于该目标图片为基于一定数量的老鼠进行采集而生成的，此时，服务器200可以利用基于机器学习训练的计算模型，对该多个目标图片进行分析，并生成包括有老鼠数量的统计信息。

通过上述的方式，服务器200可以快速地识别出目标图片中包含的老鼠的数量。又由于服务器200利用的计算模型为基于机器学习训练的计算模型，该计算模块具有很高的识别率。因而达到了服务器200基于该计算模型，可以快速并且准确的识别出目标图片中包含的老鼠的数量的技术效果。进而解决了现有的老鼠识别的方法准确率低以及识别速度慢的技术问题。

可选地，计算模型包括特征提取模型和聚类模型，以及利用计算模型，对多个目标图片进行分析，并生成统计信息的操作，包括：利用特征提取模型，分别生成与多个目标图片中包含的老鼠图像对应的多个目标特征向量；根据聚类模型，对多个目标特征向量进行聚类操作，并获取由聚类操作生成的目标类别的个数；将目标类别的个数确定为老鼠的数量；以及根据老鼠的数量生成统计信息。

具体地，服务器200首先利用该特征提取模型分别生成与多个目标图片中包含的老鼠图像对应的多个目标特征向量。然后服务器200可以将提取出的多个目标特征向量加入到特征向量库，再根据聚类模型对多个目标特征向量进行聚类操作。例如：服务器200从多个目标特征向量中提取出其中一个目标特征向量，然后根据预先设定的算法，分别求取提取出的目标特征向量与其他目标特征向量之间的距离。当求取出的距离小于预先设定的阈值距离时，服务器200判定提取出的目标特征向量与之进行比对的目标特征向量为同一类别。然后服务器200重复此操作，直到所有的目标特征向量都得到了分类，即将同一类别的目标特征向量对应的目标图片取出来，就得到了一只老鼠的所有图片，如图4所示。然后将同一只老鼠的图片放在一个目录下，大小为200*200px左右，不宜太大，也不宜太小，目录编号从0开始，依次递增。然后服务器200获取由聚类操作生成的类别(即目标类别)的个数，并将该目标类别的个数确定为老鼠的数量。最后，服务器200根据老鼠的数量生成统计信息。其中该统计信息可以包含有老鼠的数量，还可以包含有统计的时间等。通过这种方式，服务器200可以通过卷积模型先提取特征向量，再通过聚类模型对提取出的多个特征向量进行聚类操作的方式，快速且准确地识别出目标图片中包含的老鼠的数量。

可选地，特征提取模型包括卷积模型，其中卷积模型包括多个卷积层，并且利用特征提取模型，分别对多个目标图片中包含的老鼠图像进行多个特征的提取的操作，包括：利用卷积模型，分别生成与多个目标图片一一对应的多个目标特征向量，其中目标特征向量包括与所对应的目标图片中的老鼠图像的形貌相关的特征参数。

具体地，服务器200利用卷积模型，分别对多个目标图片中包含的老鼠图像进行多个特征的提取。其中该卷积模型包括多个卷积层，服务器200通过卷积模型可以快速地提取出目标特征，并生成多个目标特征向量。通过这种方式，服务器200可以获得更加准确的识别结果。其中，本实施例的方法对于所采用的卷积模型不做具体限定，可以采用现有的比较成熟的卷积神经网络中的卷积层。只要能够从包含单个老鼠的目标图片中提取出上述特征向量即可。

可选地，特征参数包含以下至少一项：特征向量对应的老鼠图像的眼睛、鼻子、嘴巴、体型、腿部、足部、尾巴、体毛以及胖瘦信息。例如：服务器200通过卷积模型提取老鼠图像的各个特征，提取的特征可以尽可能多。在特征参数较多的情况下，在计算多个目标特征向量之间的距离时，得到的同一类别的目标特征向量的结果更加的准确。通过这种方式，使得服务器200通过计算模型识别出来的老鼠的数量更加具有准确性。

可选地，根据聚类模型，对多个目标特征向量进行聚类操作的操作，包括：根据最近邻检索算法，对多个目标特征向量进行聚类操作。

具体地，服务器200根据目标图片用卷机模型提取的特征向量库，使用最近邻检索算法来挑选为同一只老鼠的图片，即服务器200使用最近邻检索算法对多个目标特征向量进行聚类操作。其中最近邻检索算法(Approximate Nearest Neighbor，ANN)利用了数据量增大后数据之间会形成簇状聚集分布的特性，通过对数据分析聚类的方法对数据库中的数据进行分类或编码，对于目标数据根据其数据特征预测其所属的数据类别，返回类别中的部分或全部作为检索结果。系统采用矢量量化来实现最近邻检索，矢量量化的代表就是乘积量化(PQ)，PQ的主要思想是将特征向量进行正交分解，在分解后的低维正交子空间上进行量化，由于低维空间可以采用较小的码本进行编码，因此可以降低数据存储空间。PQ方法采用基于查找表的非对称距离计算(Asymmetric Distance Computation，ADC)快速求取特征向量之间的距离，在压缩比相同的情况下，与采用汉明距离的二值编码方法，采用ADC的PQ方法的检索精度更高。然而，PQ方法假设各子空间的数据分布相互独立，当子空间数据的相互依赖较强时检索精度下降严重。针对这点就有通过旋转矩阵来调整数据空间的OPQ(Optimized Product Quantization)算法。如图5所示，原本按照1234维排列的数据空间通过与正交矩阵相乘，其维度排列变成了3214，那么我们就可以寻找一个合适的正交矩阵重新排列向量的维度，使得其划分的各子空间之间的依赖性达到最小。

通过这种方式，服务器200可以通过对提取好的多个目标特征向量进行聚类操作，并根据聚类操作生成的类别的个数，确定目标图片中包含的老鼠的数量。进而达到了服务器200可以又快又准确的识别出老鼠的数量的目的。

可选地，还包括通过以下操作对卷积模型进行训练：获取多个样本图片，其中样本图片中包含单个老鼠图像，并且多个样本图片分为多个类别，相同类别中的样本图片对应于相同的老鼠；构建识别模型，其中识别模型包括卷积模型以及分类模型，其中分类模型用于根据卷积模型输出的特征向量生成输出向量，输出向量用于指示特征向量对应的老鼠图像的类别；利用识别模型，生成与样本图片对应的输出向量；以及将输出向量与预先设置的与样本图片对应的标注向量进行比较，并且根据比较的结果调节卷积模型，其中标注向量用于指示样本图片的实际类别。

具体地，首先服务器200从数据库100中获取多个样本图片，然后服务器200构建识别模型，其中识别模型包括卷积模型以及分类模型。然后服务器200利用卷积模型对于标注好的输入样本图片x进行多个特征的提取，并根据多个特征生成多个特征向量。后服务器200通过分类模型，将卷积模型输出的特征向量生成输出向量与预先设置的与样本图片对应的标注向量进行比较，并通过下式对其比较结果进行判断，其中服务器200通过CNN(x)为服务器200通过卷积模型计算提取出x的多个特征向量，再用softmax分类器输出老鼠编号，即第几只老鼠。例如：

假设有一训练样本集合X＝{x1,x2,x3,……}，其中样本xi由一系列的属性表示即，xi＝(a1,a2,a3,……)，并且对于样本集合X中的样本属于老鼠C＝{c1,c2,c3,……}中的一只。所以对每个样本，它属于第i只老鼠的概率yi为：

通过上式可以保证，即属于每只老鼠的概率和为1。

根据神经网络输出(y1,y2,y3,y4,y5,y6,...)与实际标注向量(c1,c2,c3,c4,c5,c6,...)，定义神经网络的损失函数对数似然函数，系统使用最大似然估计(Maximumlikelihood estimation)来构造损失函数。对于输入的x，其对应的类标签为t，我们的目标是找到这样的θ使得p(t|x)最大。公式如下：

其中，y＝p(t|x)是模型预测的概率值，t是样本对应的类标签。

由于连乘可能导致最终结果接近0的问题，一般对似然函数取对数的负数，变成最小化对数似然函数，公式如下：

然后，服务器200将输出向量与预先设置的与样本图片对应的标注向量进行比较，并且根据比较的结果调节卷积模型，通过余弦退火下降法反复训练卷积模型，进而不断的对该卷积模型进行调节，以达到最佳的识别效果。

可选地，将输出向量与预先设置的与样本图片对应的标注向量进行比较的操作，包括计算输出向量与标注向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，计算损失函数的梯度；以及基于梯度，根据随机梯度下降原理对卷积模型进行调节。例如：服务器200通过采用PQ方法，基于查找表的非对称距离计算(Asymmetric Distance Computation，ADC)快速求取目标特征向量之间的距离，在压缩比相同的情况下，与采用汉明距离的二值编码方法，采用ADC的PQ方法的检索精度更高。然后，服务器200将L1空间距离作为损失函数，计算该损失函数的梯度并根据随机梯度下降原理(Stochastic Gradient Descent，即SGD)优化网络参数。

从而根据本实施例的第一个方面，服务器200利用计算模型，对包含有老鼠图像的多个目标图片进行分析。由于该计算模型为基于机器学习训练的计算模型，因而服务器200可以快速且准确地识别出多个目标图片中包含的老鼠的数量。并且，服务器200通过卷积模型提取特征向量，再通过聚类模型对提取出的多个特征向量进行聚类操作的方式，快速且准确地识别出目标图片中包含的老鼠的数量。同时，在服务器200采用卷积模型进行特征向量的情况下，服务器200选取尽可能多的特征参数，这样使得服务器200在计算多个目标特征向量之间的距离时，得到的同一类别的目标特征向量的结果更加的准确。

此外，参考图1所示，根据本实施例的第二个方面，还提供了一种存储介质104。存储介质104包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

实施例2

图6示出了根据本实施例的第一个方面所述的对鼠情进行统计的装置600，该装置600与根据实施例1的第一个方面所述的方法相对应。参考图6所示，该装置600包括：目标图片获取模块610，用于获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及统计信息生成模块620，用于利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

可选地，计算模型包括特征提取模型和聚类模型，以及统计信息生成模块，包括：目标特征向量生成子模块，用于利用特征提取模型，分别生成与多个目标图片中包含的老鼠图像对应的多个目标特征向量；聚类子模块，用于根据聚类模型，对多个目标特征向量进行聚类操作，并获取由聚类操作生成的目标类别的个数；确定子模块，用于将目标类别的个数确定为老鼠的数量；以及统计信息子模块，用于根据老鼠的数量生成统计信息。

可选地，特征提取模型包括卷积模型，其中卷积模型包括多个卷积层，并且利用特征提取模型，分别对多个目标图片中包含的老鼠图像进行多个特征的提取的操作，包括：利用卷积模型，分别生成与多个目标图片一一对应的多个目标特征向量，其中目标特征向量包括与所对应的目标图片中的老鼠图像的形貌相关的特征参数。

可选地，特征参数包含以下至少一项：特征向量对应的老鼠图像内包含的目标老鼠的眼睛、鼻子、嘴巴、体型、腿部、足部、尾巴、体毛以及胖瘦信息。

可选地，聚类子模块，包括：聚类子单元，用于根据最近邻检索算法，对多个目标特征向量进行聚类操作。

可选地，还包括训练模块，用于通过以下操作对基于机器学习训练的计算模型进行训练：获取多个样本图片，其中样本图片中包含单个老鼠图像，并且多个样本图片分为多个类别，相同类别中的样本图片对应于相同的老鼠；构建识别模型，其中识别模型包括卷积模型以及分类模型，其中分类模型用于根据卷积模型输出的特征向量生成输出向量，输出向量用于指示特征向量对应的老鼠图像的类别；利用识别模型，生成与样本图片对应的输出向量；以及将输出向量与预先设置的与样本图片对应的标注向量进行比较，并且根据比较的结果调节卷积模型，其中标注向量用于指示样本图片的实际类别。

可选地，将输出向量与预先设置的与样本图片对应的标注向量进行比较的操作，包括计算输出向量与标注向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，计算损失函数的梯度；以及基于梯度，根据随机梯度下降原理对卷积模型进行调节。

从而根据本实施例，装置600利用计算模型，对包含有老鼠图像的多个目标图片进行分析。由于该计算模型为基于机器学习训练的计算模型，因而装置600可以快速且准确地识别出多个目标图片中包含的老鼠的数量。并且，装置600通过卷积模型提取特征向量，再通过聚类模型对提取出的多个特征向量进行聚类操作的方式，快速且准确地识别出目标图片中包含的老鼠的数量。同时，在装置600采用卷积模型进行特征向量的情况下，装置600选取尽可能多的特征参数，这样使得装置600在计算多个目标特征向量之间的距离时，得到的同一类别的目标特征向量的结果更加的准确。

实施例3

图7示出了根据本实施例的第一个方面所述的对鼠情进行统计的装置700，该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示，该装置700包括：处理器710；以及存储器720，与处理器710连接，用于为处理器710提供处理以下处理步骤的指令：获取多个目标图片，其中目标图片中包含单个老鼠图像，生成目标图片的操作包括对老鼠进行图像采集；以及利用基于机器学习训练的计算模型，对多个目标图片进行分析，并生成统计信息，其中统计信息包括作为图像采集的对象的老鼠的数量。

可选地，计算模型包括特征提取模型和聚类模型，以及利用计算模型，对多个目标图片进行分析，并生成统计信息的操作，包括：利用特征提取模型，分别生成与多个目标图片中包含的老鼠图像对应的多个目标特征向量；根据聚类模型，对多个目标特征向量进行聚类操作，并获取由聚类操作生成的目标类别的个数；将目标类别的个数确定为老鼠的数量；以及根据老鼠的数量生成统计信息。

可选地，特征提取模型包括卷积模型，其中卷积模型包括多个卷积层，并且利用特征提取模型，分别对多个目标图片中包含的老鼠图像进行多个特征的提取的操作，包括：利用卷积模型，分别生成与多个目标图片一一对应的多个目标特征向量，其中目标特征向量包括与所对应的目标图片中的老鼠图像的形貌相关的特征参数。

可选地，特征参数包含以下至少一项：特征向量对应的老鼠图像的眼睛、鼻子、嘴巴、体型、腿部、足部、尾巴、体毛以及胖瘦信息。

可选地，根据聚类模型，对多个目标特征向量进行聚类操作的操作，包括：根据最近邻检索算法，对多个目标特征向量进行聚类操作。

可选地，存储器用于为处理器提供处理以下处理步骤的指令，还包括通过以下操作对卷积模型进行训练：获取多个样本图片，其中样本图片中包含单个老鼠图像，并且多个样本图片分为多个类别，相同类别中的样本图片对应于相同的老鼠；构建识别模型，其中识别模型包括卷积模型以及分类模型，其中分类模型用于根据卷积模型输出的特征向量生成输出向量，输出向量用于指示特征向量对应的老鼠图像的类别；利用识别模型，生成与样本图片对应的输出向量；以及将输出向量与预先设置的与样本图片对应的标注向量进行比较，并且根据比较的结果调节卷积模型，其中标注向量用于指示样本图片的实际类别。

可选地，将输出向量与预先设置的与样本图片对应的标注向量进行比较的操作，包括计算输出向量与标注向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，计算损失函数的梯度；以及基于梯度，根据随机梯度下降原理对卷积模型进行调节。

从而根据本实施例，装置700通过处理器710基于计算模型，对包含有老鼠图像的多个目标图片进行分析。由于该计算模型为基于机器学习训练的计算模型，因而装置700可以快速且准确地识别出多个目标图片中包含的老鼠的数量。并且，装置700通过卷积模型提取特征向量，再通过聚类模型对提取出的多个特征向量进行聚类操作的方式，快速且准确地识别出目标图片中包含的老鼠的数量。同时，在装置700采用卷积模型进行特征向量的情况下，装置700选取尽可能多的特征参数，这样使得装置700在计算多个目标特征向量之间的距离时，得到的同一类别的目标特征向量的结果更加的准确。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种对鼠情进行统计的方法，其特征在于，包括：

获取多个目标图片，其中所述目标图片中包含单个老鼠图像，生成所述目标图片的操作包括对老鼠进行图像采集；以及

利用基于机器学习训练的计算模型，对所述多个目标图片进行分析，并生成统计信息，其中所述统计信息包括作为所述图像采集的对象的所述老鼠的数量。

2.根据权利要求1所述的方法，其特征在于，所述计算模型包括特征提取模型和聚类模型，以及利用所述计算模型，对所述多个目标图片进行分析，并生成所述统计信息的操作，包括：

利用所述特征提取模型，分别生成与所述多个目标图片中包含的所述老鼠图像对应的多个目标特征向量；

根据所述聚类模型，对所述多个目标特征向量进行聚类操作，并获取由所述聚类操作生成的目标类别的个数；

将所述目标类别的个数确定为所述老鼠的数量；以及

根据所述老鼠的数量生成所述统计信息。

3.根据权利要求2所述的方法，其特征在于，所述特征提取模型包括卷积模型，其中所述卷积模型包括多个卷积层，并且利用所述特征提取模型，分别对所述多个目标图片中包含的所述老鼠图像进行多个特征的提取的操作，包括：

利用所述卷积模型，分别生成与所述多个目标图片一一对应的多个目标特征向量，其中所述目标特征向量包括与所对应的目标图片中的老鼠图像的形貌相关的特征参数。

4.根据权利要求3所述的方法，其特征在于，所述特征参数包含以下至少一项：所述特征向量对应的老鼠图像的眼睛、鼻子、嘴巴、体型、腿部、足部、尾巴、体毛以及胖瘦信息。

5.根据权利要求2所述的方法，其特征在于，根据所述聚类模型，对所述多个目标特征向量进行聚类操作的操作，包括：根据最近邻检索算法，对所述多个目标特征向量进行聚类操作。

6.根据权利要求3所述的方法，其特征在于，还包括通过以下操作对所述卷积模型进行训练：

获取多个样本图片，其中所述样本图片中包含单个老鼠图像，并且所述多个样本图片分为多个类别，相同类别中的样本图片对应于相同的老鼠；

构建识别模型，其中所述识别模型包括所述卷积模型以及分类模型，其中所述分类模型用于根据所述卷积模型输出的特征向量生成输出向量，所述输出向量用于指示所述特征向量对应的老鼠图像的类别；

利用所述识别模型，生成与所述样本图片对应的输出向量；以及

将所述输出向量与预先设置的与所述样本图片对应的标注向量进行比较，并且根据比较的结果调节所述卷积模型，其中所述标注向量用于指示所述样本图片的实际类别。

7.根据权利要求6所述的方法，其特征在于，将所述输出向量与预先设置的与所述样本图片对应的标注向量进行比较的操作，包括计算所述输出向量与所述标注向量之间的L1空间距离，以及根据比较的结果调节所述卷积模型的操作，包括：

将所述L1空间距离作为损失函数，计算所述损失函数的梯度；以及

基于所述梯度，根据随机梯度下降原理对所述卷积模型进行调节。

8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至7中任意一项所述的方法。

9.一种对鼠情进行统计的装置，其特征在于，包括：

目标图片获取模块，用于获取多个目标图片，其中所述目标图片中包含单个老鼠图像，生成所述目标图片的操作包括对老鼠进行图像采集；以及

统计信息生成模块，用于利用基于机器学习训练的计算模型，对所述多个目标图片进行分析，并生成统计信息，其中所述统计信息包括作为所述图像采集的对象的所述老鼠的数量。

10.一种对鼠情进行统计的装置，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

获取多个目标图片，其中所述目标图片中包含单个老鼠图像，生成所述目标图片的操作包括对老鼠进行图像采集；以及

利用基于机器学习训练的计算模型，对所述多个目标图片进行分析，并生成统计信息，其中所述统计信息包括作为所述图像采集的对象的所述老鼠的数量。