CN109948395A - 基于无人机的动物识别及数量统计方法与无人机 - Google Patents
基于无人机的动物识别及数量统计方法与无人机 Download PDFInfo
- Publication number
- CN109948395A CN109948395A CN201711382119.XA CN201711382119A CN109948395A CN 109948395 A CN109948395 A CN 109948395A CN 201711382119 A CN201711382119 A CN 201711382119A CN 109948395 A CN109948395 A CN 109948395A
- Authority
- CN
- China
- Prior art keywords
- animal
- image
- unmanned plane
- information
- identification
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机的动物识别及数量统计方法与无人机。该方法包括以下步骤:在无人机中预设至少一种动物的图像识别模型;通过所述无人机中搭载的遥感设备采集动物群体的图像信息;根据所述至少一种动物的图像识别模型识别所述图像信息中的所述至少一种动物并统计所述至少一种动物的数量信息。本发明公开的基于无人机的动物识别及数量统计方法与无人机,能够全面、实时、快速、准确地识别动物的种类及数量。
Description
技术领域
本发明属于智能放牧技术领域,尤其涉及一种基于无人机的动物识别及数量统计方法与无人机。
背景技术
传统放牧业中,通过人工识别动物的种类和数量,费时费力。而且,随着放牧业的发展,一个牧场主管理的动物种类和数量都大为增加,更是难以通过人工识别所有动物的数量。
随着无人机技术的不断发展,无人机具有成本低、无人员伤亡风险、智能化等优势,使得无人机被应用在放牧领域,从很大程度上减轻了放牧业中的人力劳动。如果能够利用无人机识别牧群中动物的种类和数量,将进一步减轻放牧业中的人力劳动,提高管理效率。
发明内容
本发明的目的在于提供一种基于无人机的动物识别及数量统计方法与无人机,能够全面、实时、快速、准确地识别牧群中动物的种类及数量,从而减轻放牧业中的人力劳动,提高管理效率。
本发明实施例一方面提供一种基于无人机的动物识别及数量统计方法,该方法包括以下步骤:在无人机中预设至少一种动物的图像识别模型;通过无人机中搭载的遥感设备采集动物群体的图像信息;根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息。
本发明实施例提供的一种基于无人机的动物识别及数量统计方法,通过无人机采集的包含动物群体的图像信息以及无人机中预设的图像识别模型来识别动物群体中动物的种类和数量,该方法能够实现全面、实时、快速、准确地识别牧群中动物的种类及数量,工作人员只需在监测中心即可获取相关信息,从而减轻放牧业中的人力劳动,提高管理效率。
根据本发明实施例的一个方面,在无人机中预设至少一种动物的图像识别模型,包括:基于一种动物的多个训练图像经卷积神经网络训练生成该种动物对应的图像识别模型。
根据本发明实施例的一个方面,在无人机中预设至少一种动物的图像识别模型之后,还包括:设定图像识别模型的识别阈值。
根据本发明实施例的一个方面,遥感设备包括数码相机和/或数码摄像机。
根据本发明实施例的一个方面,通过无人机中搭载的遥感设备采集动物群体的图像信息,包括:通过调整无人机的飞行高度和遥感设备采集图像的角度,使图像信息中包含动物群体中的所有动物。
根据本发明实施例的一个方面,根据至少一种动物的图像识别模型识别图像信息中至少一种动物并统计至少一种动物的数量信息,包括:利用图像分割法将图像信息中的每个动物分割成子图像;提取子图像的特征信息;根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,将子图像中的动物识别为图像识别模型对应的动物种类,直至将所有子图像识别完成;根据识别的结果统计至少一种动物中每种动物的数量信息。
根据本发明实施例的一个方面,根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,包括:子图像的特征信息与其中一种动物的图像识别模型进行匹配未超过该图像识别模型的识别阈值,即为匹配成功。
根据本发明实施例的一个方面,根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息,还包括:对于未成功识别的子图像进行存储并标识,并发送至监控中心,由监控者识别该子图像,并判别将其加入对应的图像识别模型,或者,使其生成新一种动物的图像识别模型。
根据本发明实施例的一个方面,在根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息之后,还包括:将动物识别及数量统计结果发送至监控中心。
本发明实施例另一方面提供一种用于动物识别及数量统计的无人机,该无人机包括:图像识别模型预设单元,用于在无人机中预设至少一种动物的图像识别模型;图像采集单元,用于通过无人机中搭载的遥感设备采集动物群体的图像信息;动物识别及数量统计单元,用于根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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示出本发明实施例提供的一种基于无人机的动物识别及数量统计方法的流程示意图;
图2示出本发明实施例提供的一种用于动物识别及数量统计的无人机的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种基于无人机的动物识别及数量统计方法与无人机。下面首先通过图1对本发明实施例所提供的基于无人机的动物识别及数量统计方法进行介绍。
图1示出了本发明一个实施例提供的基于无人机的动物识别及数量统计方法100的流程示意图。如图1所示,本发明实施例提供的一种基于无人机的动物识别及数量统计方法100包括以下步骤:
步骤S110,在无人机中预设至少一种动物的图像识别模型;
步骤S120,通过无人机中搭载的遥感设备采集动物群体的图像信息;
步骤S130,根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息。
在一些实施例中,步骤S110包括以下步骤:
步骤S1101,在无人机中预设至少一种动物的图像识别模型;
步骤S1102,设定图像识别模型的识别阈值。
作为一个示例,在步骤S110中是基于一种动物的训练图像经全卷积神经网络训练生成该种动物对应的图像识别模型。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种源于人工神经网络(NeuralNetwork,NN)的深度机器学习方法,全卷积神经网络(FullyConvolutional Networks,FCN),简单来说,是把卷积神经网络CNN最后的全连接层换成卷积层,与传统卷积神经网络CNN相比,全卷积神经网络FCN有两大明显的优点:一是可以接受任意大小的输入图像,而不用要求所有的训练图像和测试图像具有同样的尺寸;二是更加高效。
在本发明的实施例中,训练图像中包含能够表征和区分动物的特征信息,该特征信息可以为动物头部的轮廓信息、动物全身的轮廓信息,本发明实施例不作限制。
由于动物会发生跑、跳、走、吃、叫、俯卧、侧卧、站立、扭头、低头等不同的动作,以及拍摄角度的不同,均会使采集的训练图像中的特征信息发生相应的变化,为了使图像识别模型能够更加准确地识别动物,作为优选地,基于一种动物的多个训练图像经全卷积神经网络训练生成该种动物对应的图像识别模型。前述多个训练图像包括动物发生跑、跳、走、吃草、俯卧、侧卧、站立、扭头、低头等尽可能全面的不同动作的训练图像,并且针对每一个动作也均包含多个训练图像,以呈现特征信息在360°不同拍摄角度下的状态。
在本发明的实施例中,待识别的动物可以是一种,也可以是多种。当待识别的动物是多种时,基于上述图像识别模型生成原理,生成每一种动物对应的图像识别模型。
在步骤S120中,遥感设备包括数码相机和/或数码摄像机,本发明不作特别限制,其要能够清晰地采集地面上动物的图像信息。待识别动物群体的图像信息采集过程中,通过调整无人机的飞行高度和遥感设备采集图像信息的角度,使图像信息中包含待识别动物群体中的所有动物。
在一些实施例中,步骤S130包括以下步骤:
步骤S1301,利用图像分割法将图像信息中的每个动物分割成子图像。
在一些实施例中,在对图像分割之前,对图像进行预处理,包括调节图像的色调、色相、色彩饱和度、对比度、亮度中的一种或几种,进行图像增强。
作为一个示例,采用光谱特征和形状特征相结合的多尺度图像分割方法,将每一个动物从图像中分割出来形成多个子图像。还可以通过在多尺度图像分割过程中引入边缘特征,以提高图像分割效果。
步骤S1302,提取子图像的特征信息。
作为一个示例,该子图像的特征信息根据前述训练图像确定,如可以为动物头部的轮廓信息、动物全身的轮廓信息,本发明实施例不作限制。
步骤S1303,根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,将子图像中的动物识别为图像识别模型对应的动物种类,直至将所有子图像识别完成。
在一些实施例中,根据子图像的特征信息与其中一种动物的图像识别模型进行匹配未超过预设的该图像识别模型的识别阈值,即为匹配成功。
对于根据子图像的特征信息与所有图像识别模型均未匹配成功,即未能成功识别该子图像。在一些实施例中,对于未成功识别的子图像进行存储并标识,并发送至监控中心,由监控者识别该子图像是否属于待识别动物中的一种,若是,则将其作为训练图像经全卷积神经网络训练加入对应的图像识别模型,以进一步完善该图像识别模型;若不是,则由监控者进行判断是否将该子图像作为训练图像生成新一种动物的图像识别模型。
步骤S1304,根据识别的结果统计至少一种动物中每种动物的数量信息。
在一些实施例中,步骤S130包括以下步骤:
步骤S1301,利用图像分割法将图像信息中的每个动物分割成子图像。
步骤S1302,提取子图像的特征信息。
步骤S1303,根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,将子图像中的动物识别为图像识别模型对应的动物种类;对于根据子图像的特征信息与所有图像识别模型均未匹配成功的子图像,发送至监控中心;直至将所有子图像识别完成。
对于未成功识别的子图像,监控中心接收后,由监控者识别该子图像是否属于待识别动物中的一种,若是,则将其作为训练图像经全卷积神经网络训练加入对应的图像识别模型,以进一步完善该图像识别模型;若不是,则由监控者进行判断是否使该子图像作为训练图像生成新一种动物的图像识别模型。
步骤S1304,根据识别的结果统计至少一种动物中每种动物的数量信息。
步骤S1305,将动物识别及数量统计结果发送至监控中心。
本发明实施例提供的基于无人机的动物识别及数量统计方法,通过无人机采集的包含动物群体的图像信息以及无人机中预设的图像识别模型来识别动物群体中动物的种类和数量,该方法能够实现全面、实时、快速、准确地识别牧群中动物的种类及数量,工作人员只需在监测中心即可获取相关信息,从而减轻放牧业中的人力劳动,提高管理效率。
下面通过图2详细介绍根据本发明实施例提供的用于动物识别及数量统计的无人机。
图2示出了根据本发明一实施例提供的用于动物识别及数量统计的无人机200的结构示意图。如图2所示,本发明实施例提供的一种用于动物识别及数量统计的无人机200包括:
图像识别模型预设单元210,用于在无人机中预设至少一种动物的图像识别模型。
图像采集单元220,用于通过无人机中搭载的遥感设备采集动物群体的图像信息。
动物识别及数量统计单元230,用于根据至少一种动物的图像识别模型识别图像信息中的至少一种动物并统计至少一种动物的数量信息。
在一些实施例中,图像识别模型预设单元210包括:
图像识别模型预设子单元2101,用于在无人机中预设至少一种动物的图像识别模型。
识别阈值设定子单元2102,用于设定图像识别模型的识别阈值。
作为一个示例,在图像识别模型设立子单元2101中是基于一种动物的训练图像经全卷积神经网络训练生成该种动物对应的图像识别模型。在本发明的实施例中,训练图像中包含能够表征和区分动物的特征信息,该特征信息可以为动物头部的轮廓信息、动物全身的轮廓信息,本发明实施例不作限制。
作为优选地,在图像识别模型设立子单元2101中基于一种动物的多个训练图像经全卷积神经网络训练生成该种动物对应的图像识别模型。前述多个训练图像包括动物发生跑、跳、走、吃草、俯卧、侧卧、站立、扭头、低头等尽可能全面的不同动作的训练图像,并且针对每一个动作也均包含多个训练图像,以呈现特征信息在360°不同拍摄角度下的状态。
在本发明的实施例中,待识别的动物可以是一种,也可以是多种。当待识别的动物是多种时,在图像识别模型设立子单元2101中生成每一种动物对应的图像识别模型。
在一些实施例中,图像采集单元220中的遥感设备包括数码相机和/或数码摄像机,本发明不作特别限制,其要能够清晰地采集地面上动物的图像信息。
在一些实施例中,图像采集单元220中还包括红外传感器,能够根据动物发射的红外线判断遥感设备采集图像信息的范围是否包含待识别动物群体中的所有动物,若判断为未能包含待识别动物群体中的所有动物,则由图像采集单元220通过调整无人机的飞行高度和遥感设备采集图像信息的角度,使图像信息中包含待识别动物群体中的所有动物。
在一些实施例中,动物识别及数量统计单元230包括:
图像分割子单元2301,用于利用图像分割法将图像信息中的每个动物分割成子图像。
作为一个示例,图像分割子单元2301采用光谱特征和形状特征相结合的多尺度图像分割方法,将每一个动物从图像中分割出来形成多个子图像。
作为另一个示例,图像分割子单元2301采用在光谱特征和形状特征相结合的多尺度图像分割方法中引入边缘特征的图像分割方法,将每一个动物从图像中分割出来形成多个子图像,以提高图像分割效果。
特征信息提取子单元2302,用于提取子图像的特征信息。
作为一个示例,特征信息提取子单元2302中,子图像的特征信息根据图像识别模型预设单元210中的训练图像确定,如可以为动物头部的轮廓信息、动物全身的轮廓信息,本发明实施例不作限制。
动物识别子单元2303,用于根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,将子图像中的动物识别为图像识别模型对应的动物种类,直至将所有子图像识别完成。
动物数量统计子单元2304,用于根据识别的结果统计至少一种动物中每种动物的数量信息。
在一些实施例中,动物识别及数量统计单元230进一步包括存储子单元2305,用于存储动物识别及数量统计结果。
在一些实施例中,动物识别及数量统计单元230进一步包括发送子单元2306,用于将动物识别及数量统计结果发送至监控中心。
在一些实施例中,图像分割子单元2301中包括:
图像预处理模块23011,用于在对图像分割之前,对图像进行预处理,包括调节图像的色调、色相、色彩饱和度、对比度、亮度中的一种或几种,进行图像增强。
图像分割模块23012,用于利用图像分割法将图像信息中的每个动物分割成子图像。
在一些实施例中,动物识别子单元2303中包括:
动物识别模块23031,用于根据子图像的特征信息与其中一种动物的图像识别模型匹配成功,将子图像中的动物识别为图像识别模型对应的动物种类,直至将所有子图像识别完成。
存储模块23032,用于将未能成功识别的子图像进行存储并标识。
发送模块23033,用于将未能成功识别的子图像发送至监控中心,以便由监控者识别并处理该子图像。
根据本发明实施例的用于动物识别及数量统计的无人机的其他细节与以上结合图1描述的根据本发明实施例的基于无人机的动物识别及数量统计方法类似,在此不再赘述。
通过该用于动物识别及数量统计的无人机可以基于无人机采集包含动物群体的图像信息以及在无人机中预设图像识别模型,来执行本发明实施例中的基于无人机的动物识别及数量统计方法,以实现图1描述的基于无人机的动物识别及数量统计方法,从而能够实现全面、实时、快速、准确地识别牧群中动物的种类及数量,工作人员只需在监测中心即可获取相关信息,从而减轻放牧业中的人力劳动,提高管理效率。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于无人机的动物识别及数量统计方法,其特征在于,包括以下步骤:
在无人机中预设至少一种动物的图像识别模型;
通过所述无人机中搭载的遥感设备采集动物群体的图像信息;
根据所述至少一种动物的图像识别模型识别所述图像信息中的所述至少一种动物并统计所述至少一种动物的数量信息。
2.根据权利要求1所述的方法,其特征在于,所述在无人机中预设至少一种动物的图像识别模型,包括:
基于一种动物的多个训练图像经卷积神经网络训练生成该种动物对应的所述图像识别模型。
3.根据权利要求1或2所述的方法,其特征在于,在所述在无人机中预设至少一种动物的图像识别模型之后,还包括:
设定所述图像识别模型的识别阈值。
4.根据权利要求1所述的方法,其特征在于,所述遥感设备包括数码相机和/或数码摄像机。
5.根据权利要求1所述的方法,其特征在于,所述通过所述无人机中搭载的遥感设备采集动物群体的图像信息,包括:
通过调整所述无人机的飞行高度和所述遥感设备采集图像的角度,使所述图像信息中包含所述动物群体中的所有动物。
6.根据权利要求1所述的方法,其特征在于,所述根据所述至少一种动物的图像识别模型识别所述图像信息中所述至少一种动物并统计所述至少一种动物的数量信息,包括:
利用图像分割法将所述图像信息中的每个动物分割成子图像;
提取所述子图像的特征信息;
根据所述子图像的特征信息与其中一种动物的所述图像识别模型匹配成功,将所述子图像中的动物识别为所述图像识别模型对应的动物种类,直至将所有所述子图像识别完成;
根据所述识别的结果统计所述至少一种动物中每种动物的数量信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述子图像的特征信息与其中一种动物的所述图像识别模型匹配成功,包括:
所述子图像的特征信息与其中一种动物的所述图像识别模型进行匹配未超过该图像识别模型的识别阈值,即为匹配成功。
8.根据权利要求6所述的方法,其特征在于,所述根据所述至少一种动物的图像识别模型识别所述图像信息中的所述至少一种动物并统计所述至少一种动物的数量信息,还包括:
对于未成功识别的所述子图像进行存储并标识,并发送至监控中心,由监控者识别该子图像,并判别将其加入对应的所述图像识别模型,或者,使其生成新一种动物的图像识别模型。
9.根据权利要求1所述的方法,其特征在于,在所述根据所述至少一种动物的图像识别模型识别所述图像信息中的所述至少一种动物并统计所述至少一种动物的数量信息之后,还包括:
将动物识别及数量统计结果发送至监控中心。
10.一种用于动物识别及数量统计的无人机,其特征在于,该无人机包括:
图像识别模型预设单元,用于在所述无人机中预设至少一种动物的图像识别模型;
图像采集单元,用于通过所述无人机中搭载的遥感设备采集动物群体的图像信息;
动物识别及数量统计单元,用于根据所述至少一种动物的图像识别模型识别所述图像信息中的所述至少一种动物并统计所述至少一种动物的数量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711382119.XA CN109948395A (zh) | 2017-12-20 | 2017-12-20 | 基于无人机的动物识别及数量统计方法与无人机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711382119.XA CN109948395A (zh) | 2017-12-20 | 2017-12-20 | 基于无人机的动物识别及数量统计方法与无人机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948395A true CN109948395A (zh) | 2019-06-28 |
Family
ID=67005041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711382119.XA Pending CN109948395A (zh) | 2017-12-20 | 2017-12-20 | 基于无人机的动物识别及数量统计方法与无人机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948395A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363176A (zh) * | 2019-07-23 | 2019-10-22 | 中国科学院寒区旱区环境与工程研究所 | 一种图像分析方法及装置 |
CN110751117A (zh) * | 2019-10-25 | 2020-02-04 | 兰州大学 | 一种基于无人机的羊群和牛群数量监测方法及装置 |
CN111158394A (zh) * | 2020-01-11 | 2020-05-15 | 湘潭大学 | 一种基于子母无人机的牧羊监测方法及系统 |
CN111339912A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
CN112327893A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机飞控前端人数统计系统及方法 |
CN112651947A (zh) * | 2020-12-30 | 2021-04-13 | 深兰科技(上海)有限公司 | 飞行器的控制方法、装置、飞行器及计算机可读存储介质 |
CN113405606A (zh) * | 2021-06-30 | 2021-09-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于无人机的畜禽养殖污染源监测系统 |
CN113743208A (zh) * | 2021-07-30 | 2021-12-03 | 南方海洋科学与工程广东省实验室(广州) | 一种基于无人机阵列的中华白海豚数量统计方法及系统 |
WO2022007117A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 牲畜分布密度实时测量平台及方法 |
DE102020215684A1 (de) | 2020-12-10 | 2022-06-15 | Volkswagen Aktiengesellschaft | Verfahren und Servereinrichtung zur Erfassung von Umfelddaten |
CN114746866A (zh) * | 2020-09-16 | 2022-07-12 | Fsx株式会社 | 便携终端及湿毛巾管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN104598898A (zh) * | 2015-02-13 | 2015-05-06 | 合肥工业大学 | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 |
CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
CN105528582A (zh) * | 2015-12-14 | 2016-04-27 | 深圳大学 | 一种实时视频智能识别方法及装置 |
US20160226803A1 (en) * | 2015-01-30 | 2016-08-04 | International Business Machines Corporation | Social connection via real-time image comparison |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
-
2017
- 2017-12-20 CN CN201711382119.XA patent/CN109948395A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
US20160226803A1 (en) * | 2015-01-30 | 2016-08-04 | International Business Machines Corporation | Social connection via real-time image comparison |
CN104598898A (zh) * | 2015-02-13 | 2015-05-06 | 合肥工业大学 | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 |
CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
CN105528582A (zh) * | 2015-12-14 | 2016-04-27 | 深圳大学 | 一种实时视频智能识别方法及装置 |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
Non-Patent Citations (2)
Title |
---|
易盟等: "基于改进全卷积神经网络的航拍图像语义分类方法", 《计算机工程》 * |
罗巍等: "基于面向对象分类的大型野生食草动物识别方法——以青海三江源地区为例", 《野生动物学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363176B (zh) * | 2019-07-23 | 2021-12-21 | 中国科学院西北生态环境资源研究院 | 一种图像分析方法及装置 |
CN110363176A (zh) * | 2019-07-23 | 2019-10-22 | 中国科学院寒区旱区环境与工程研究所 | 一种图像分析方法及装置 |
CN112327893A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机飞控前端人数统计系统及方法 |
CN110751117A (zh) * | 2019-10-25 | 2020-02-04 | 兰州大学 | 一种基于无人机的羊群和牛群数量监测方法及装置 |
CN111158394A (zh) * | 2020-01-11 | 2020-05-15 | 湘潭大学 | 一种基于子母无人机的牧羊监测方法及系统 |
CN111158394B (zh) * | 2020-01-11 | 2023-09-29 | 湘潭大学 | 一种基于子母无人机的牧羊监测方法及系统 |
CN111339912A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
CN111339912B (zh) * | 2020-02-24 | 2023-04-18 | 中国科学院植物研究所 | 一种基于遥感影像识别牛羊的方法和系统 |
WO2022007117A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 牲畜分布密度实时测量平台及方法 |
CN114746866A (zh) * | 2020-09-16 | 2022-07-12 | Fsx株式会社 | 便携终端及湿毛巾管理系统 |
CN114746866B (zh) * | 2020-09-16 | 2023-05-23 | Fsx株式会社 | 便携终端及湿毛巾管理系统 |
DE102020215684A1 (de) | 2020-12-10 | 2022-06-15 | Volkswagen Aktiengesellschaft | Verfahren und Servereinrichtung zur Erfassung von Umfelddaten |
CN112651947A (zh) * | 2020-12-30 | 2021-04-13 | 深兰科技(上海)有限公司 | 飞行器的控制方法、装置、飞行器及计算机可读存储介质 |
CN113405606A (zh) * | 2021-06-30 | 2021-09-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于无人机的畜禽养殖污染源监测系统 |
CN113743208A (zh) * | 2021-07-30 | 2021-12-03 | 南方海洋科学与工程广东省实验室(广州) | 一种基于无人机阵列的中华白海豚数量统计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948395A (zh) | 基于无人机的动物识别及数量统计方法与无人机 | |
Ale et al. | Deep learning based plant disease detection for smart agriculture | |
CN109389161B (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
Butera et al. | Precise agriculture: effective deep learning strategies to detect pest insects | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
Wang et al. | Segmentation of crop disease images with an improved K-means clustering algorithm | |
CN109220226A (zh) | 果实自动识别分类及采摘的果园智能化系统 | |
CN109063737A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN106570491A (zh) | 一种机器人智能互动的方法及智能机器人 | |
CN107622233A (zh) | 一种表格识别方法、识别系统及计算机装置 | |
CN109102579A (zh) | 一种基于人脸识别和大数据分析的智能会议签到设备 | |
CN107180056A (zh) | 视频中片段的匹配方法和装置 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN110479636A (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN102129558A (zh) | 基于普尔钦斑分析的虹膜采集系统及虹膜采集方法 | |
CN113822198B (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
CN108764022A (zh) | 一种图像识别方法及系统 | |
CN109480775A (zh) | 一种基于人工智能的新生儿黄疸识别装置、设备、系统 | |
CN113627334A (zh) | 对象的行为识别方法及装置 | |
CN109451234A (zh) | 优化拍照功能的方法、设备及存储介质 | |
CN108205708A (zh) | 一种新型可扩展的深度学习系统及数据识别方法 | |
JP7168485B2 (ja) | 学習データの生成方法、学習データ生成装置及びプログラム | |
CN112651390B (zh) | 一种基于卷积神经网络的图片人头计数的方法和装置 | |
CN107064159A (zh) | 一种依据植物黄叶检测判断生长趋势的装置及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |