CN111539334A - 一种驱赶方法、装置、设备和介质 - Google Patents

一种驱赶方法、装置、设备和介质 Download PDF

Info

Publication number
CN111539334A
CN111539334A CN202010334440.6A CN202010334440A CN111539334A CN 111539334 A CN111539334 A CN 111539334A CN 202010334440 A CN202010334440 A CN 202010334440A CN 111539334 A CN111539334 A CN 111539334A
Authority
CN
China
Prior art keywords
poultry
time
video monitoring
moment
monitoring image
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
Application number
CN202010334440.6A
Other languages
English (en)
Other versions
CN111539334B (zh
Inventor
杨贤
张栋
郑强
罗瑞东
覃长洪
曹胜果
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010334440.6A priority Critical patent/CN111539334B/zh
Publication of CN111539334A publication Critical patent/CN111539334A/zh
Application granted granted Critical
Publication of CN111539334B publication Critical patent/CN111539334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M29/00—Scaring or repelling devices, e.g. bird-scaring apparatus
    • A01M29/06—Scaring or repelling devices, e.g. bird-scaring apparatus using visual means, e.g. scarecrows, moving elements, specific shapes, patterns or the like
    • A01M29/10—Scaring or repelling devices, e.g. bird-scaring apparatus using visual means, e.g. scarecrows, moving elements, specific shapes, patterns or the like using light sources, e.g. lasers or flashing lights
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M29/00—Scaring or repelling devices, e.g. bird-scaring apparatus
    • A01M29/16—Scaring or repelling devices, e.g. bird-scaring apparatus using sound waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pest Control & Pesticides (AREA)
  • Multimedia (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Environmental Sciences (AREA)
  • Birds (AREA)
  • General Physics & Mathematics (AREA)
  • Insects & Arthropods (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开了一种驱赶方法、装置、设备和介质，该方法获取户外家禽区域的实时视频监控图像，并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。由于通过预先训练完成的驱赶模型识别出第一视频监控图像包含的标识信息中存在危险物种的标识信息时，发出声光报警信号对家禽进行驱赶，从而减少了危险物种入侵时户外家禽区域的家禽的数量，进而提高了危险物种入侵时家禽的存活率。

Description

一种驱赶方法、装置、设备和介质
技术领域
本发明涉及视频监控技术领域，尤其涉及一种驱赶方法、装置、设备和介质。
背景技术
近年来，随着人们生活水平的提高，对家禽的味道以及营养的要求也越来越高，由于饲养的家禽的肉的营养价值以及味道越来越难以满足人们的需要，因此导致人们对放养的家禽的肉的需求越来越大。目前，比较流行的放养家禽的场地一般选择在田间、果园或山林，但是野外放养的家禽经常被老鹰、黄鼠狼等危险物种袭击，导致对养殖户造成一定的经济损失。
在对危险物种进行防御时，传统的防御方法包括人工防御和生物防御，人工防御即人工对危险物种进行监视并驱赶；生物防御即由狗等警惕性高的生物对危险物种进行监视并驱赶。但是由于无论是人工防御还是生物防御，由于本身的生活习性，均无法做到全天全区域的监视，而且老鹰等危险物种属于国家保护动物，禁止非法猎捕、杀害。因此如何防御危险物种的侵害仍是放养家禽养殖户的重要问题。
而现有技术中的一种基于神经网络的养殖场管理方法中，其通过对养殖场所养殖的家禽进行检测和计数，并区分出其他类别物种；能准确判断出外侵有害物种的种类，从而根据外侵有害物种的种类判断是否包含危险物种，从而方便养殖户判断是否要做出防御措施。
但是现有技术中在识别出危险物种后，无法主动对家禽进行驱赶，仍需要养殖户判断并人为做出防御措施。而危险物种的袭击较为迅速，等养殖户做出反应已经为时过晚，因此导致在危险物种入侵时家禽的存活率较低。
发明内容
本发明实施例提供了一种驱赶方法、装置、设备和介质，用以解决现有技术中危险物种入侵时家禽的存活率较低的问题。
本发明实施例提供了一种驱赶方法，所述方法包括：
获取户外家禽区域的实时视频监控图像；
基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
进一步地，所述方法还包括：
若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
进一步地，所述方法还包括：
确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；
针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻，并基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；
根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；
根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第一数量。
进一步地，所述根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡，包括：
针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确认所述第一位置的家禽是否死亡，包括：
针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
进一步地，训练所述驱赶模型的过程包括：
针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；
将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
进一步地，所述方法还包括：
针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
若存在任一时刻的家禽的第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
进一步地，所述在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像，包括：
在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
相应地，本发明实施例提供了一种驱赶装置，所述装置包括：
获取模块，用于获取户外家禽区域的实时视频监控图像；并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
驱赶模块，用于若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
进一步地，所述驱赶模块，还用于若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
进一步地，所述装置还包括：
确定模块，用于确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻；
识别模块，用于基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
所述确定模块，还用于根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第三数量。
进一步地，所述确定模块，具体用于针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述确定模块，具体用于针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述装置还包括：
训练模块，用于针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
进一步地，所述识别模块，还用于针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
所述获取模块，还用于在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
所述识别模块，还用于基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
所述确定模块，还用于若存在任一时刻的家禽的所述第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
进一步地，所述获取模块，具体用于在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
相应地，本发明实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述驱赶方法中任一所述方法的步骤。
相应地，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述误检图像确定方法中任一所述方法的步骤。
本发明实施例提供了一种驱赶方法、装置、设备和介质，该方法获取户外家禽区域的实时视频监控图像，并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。由于通过预先训练完成的驱赶模型识别出第一视频监控图像包含的标识信息中存在危险物种的标识信息时，发出声光报警信号对家禽进行驱赶，从而减少了危险物种入侵时户外家禽区域的家禽的数量，进而提高了危险物种入侵时家禽的存活率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种驱赶方法的过程示意图；
图2为本发明实施例提供的一种危险物种袭击家禽时驱赶家禽的过程示意图；
图3为本发明实施例提供的一种对家禽进行驱赶训练的方法过程示意图；
图4为本发明实施例提供的一种驱赶装置的结构示意图；
图5为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的一种驱赶方法的过程示意图，该过程包括以下步骤：
S101：获取户外家禽区域的实时视频监控图像。
本发明实施例提供的驱赶方法应用于电子设备，该电子设备可以是能够进行图像采集的设备，例如图像采集设备、PC、移动终端等设备。
在本发明实施例中，为了判断户外家禽区域是否出现危险物种，需要获取户外家禽区域的实时视频监控图像。其中，该户外家禽区域是指家禽活动的户外场地，可以是指一定范围的田间、平地等户外场地，具体的可以根据家禽的活动习惯，确定图像的采集区域，从而采集该区域内的视频监控图像。
S102：基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息。
将获取到的实时视频监控图像依次输入到该预先训练完成的驱赶模型，基于该预先训练完成的驱赶模型对视频监控图像进行识别，确定该视频监控图像中存在每个物种的位置信息，以及每个位置信息对应的物种的标识信息，物种即具体的动物。
基于该预先训练完成的驱赶模型，将会得到每个视频监控图像中存在每个物种的位置信息，以及每个位置信息对应的物种的标识信息，其中不同的标识信息标识不同的物种，比如01标识家禽，02标识狐狸等。
S103：若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
在电子设备中预先保存有危险物种的标识信息，因此当针对输入的图像，得到训练完成的驱赶模型输出的各位置信息对应的物种的标识信息时，将每个标识信息与预先保存的危险物种的标识信息进行对比，如果任一标识信息为危险物种的标识信息，为了能够对家禽进行驱赶，以使其逃离危险物种所在的区域，则发出声光报警信号。其中该声光报警信息可以是电子设备本身发出的，也可以是电子设备控制安装在户外家禽区域的发声发光装置发出的。
由于本发明实施例中，获取户外家禽区域的实时视频监控图像，并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。由于通过预先训练完成的驱赶模型识别第一视频监控图像中包含的标识信息中存在危险物种的标识信息时，发出声光报警信号对家禽进行驱赶，从而减少了危险物种入侵时户外家禽区域的家禽的数量，进而提高了危险物种入侵时家禽的存活率。
实施例2：
为了在危险物种消失时确定停止发出声光报警信号，在上述实施例的基础上，在本发明实施例中，所述方法还包括：
若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
将获取到的实时视频监控图像依次输入到该预先训练完成的驱赶模型中，基于该预先训练完成的驱赶模型对视频监控图像进行识别，确定该视频监控图像中每个物种的位置信息，以及每个位置信息对应的物种的标识信息。
将每个标识信息与预先保存的危险物种的标识信息进行对比，如果识别到第二视频监控图像中的物种的标识信息中不存在危险物种的标识信息，而该第二视频监控图像之前的一帧视频监控图像中的物种的标识信息中存在危险物种的标识信息，则可以认为第二视频监控图像中危险物种消失，并停止发出声光报警信号。
实施例3：
为了确定危险物种入侵期间死亡家禽的数量，在上述各实施例的基础上，在本发明实施例中，所述方法还包括：
确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；
针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻，并基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；
根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；
根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第一数量。
在本发明实施例中，该第一视频监控图像是指危险物种出现时的视频监控图像，该第二视频监控图像是指危险物种消失时的视频监控图像，由于视频监控图像是进行实时采集的，故根据该第一视频监控图像和第二视频监控图像可以确定出采集第一视频监控图像时的第一时刻、及采集第二视频监控图像时的第二时刻，该第一时刻即为危险物种出现时的时刻，该第二时刻即为危险物种消失时的时刻。
为了确定出在危险物种袭击家禽时，从第一时刻到危险物种袭击家禽的任一时刻的时间段内死亡家禽的数量，在该第一时刻到第二时刻之间，即在危险物种对家禽进行袭击的时间段内，针对该第一时刻到第二时刻的时间段内采集的任意一张第三视频监控图像，确定采集该第三视频监控图像的第三时刻，该第三时刻即为危险物种袭击家禽时的任一时刻，并确定出在第一时刻到第三时刻的时间段内死亡家禽的数量。
为了确定出从第一时刻到第三时刻的时间段时死亡家禽的数量，将采集的第三视频监控图像输入到预先训练完成的驱赶模型中，基于该预先训练完成的驱赶模型对该第三视频监控图像进行识别，确定每个家禽的第一位置和危险物种的第二位置。
因为从家禽受到袭击开始实时采集视频监控图像，并基于采集的每张视频监控图像都输入到预先训练完成的驱赶模型中，确定每个家禽的位置和危险物种的位置。因此针对第三视频监控图像的识别结果中每个家禽的第一位置，若第一位置在第三时刻之前的视频监控图像的识别结果中连续出现，说明第一位置的家禽连续一段时长内未发生位置变化，则该第一位置的家禽死亡的概率较大，故根据家禽的第一位置连续出现的时长，可以确定该第一位置的家禽是否死亡。
具体的，所述根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡，包括：
针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
针对每个家禽的第一位置，若第一位置在第三时刻之前的实时视频监控图像的识别结果中连续出现时，根据该第三时刻之前的实时视频监控图像的识别结果，可以确定出第一位置首次出现的时刻。
具体的，根据该第一位置以及该第三时刻之前的实时视频监控图像的识别结果中每个家禽的第一位置，判断该第三视频监控图像的前一帧的视频监控图像的识别结果中是否存在与该第一位置相同的家禽的位置，若存在，则继续查找该第三视频监控图像的前两帧的视频监控图像的识别结果中存在与该第一位置相同的家禽的位置，直到确定该第三视频监控图像的前n帧的视频监控图像的识别结果中不存在与该第一位置相同的家禽位置，则确定该第三视频监控图像的前n-1帧的视频监控图像对应的时刻为第一位置首次出现的时刻。
确定第一位置首次出现的时刻与该第三时刻间的第一时长，若该第一时长不小于第一时长阈值时，则确定第一位置的家禽死亡。其中，该第一时长阈值可以预先设置。
例如，家禽被黄鼠狼咬死时，家禽在一分钟内未发生位置变化，则可以确定该家禽死亡。
家禽的位置不变可能是由于家禽死亡导致的，另外因为识别到了危险物种所在的位置，危险物种可能随时会袭击家禽，因此根据家禽的位置和危险物种的位置，可以确定家禽是否死亡。
具体的，根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡。
该第一位置与第二位置重叠是指，在第三视频监控图像的识别结果中，存在家禽的第一位置与危险物种的第二位置相同，即家禽与危险物种处于同一位置。
当第三视频监控图像的识别结果中存在与第二位置重叠的第一位置时，根据该第三时刻之前的视频监控图像的识别结果，判断在该第三视频监控图像之前多帧的视频监控图像的识别结果中，是否该第一位置仍与该第二位置重叠，若在该第三视频监控图像之前多帧的视频监控图像的识别结果中，该第一位置仍与第二位置重叠，说明该第一位置的家禽在连续的一段时间内被危险物种抓获，则认为第一位置的家禽死亡的可能性很大，因此根据该第一位置与第二位置重叠的多帧视频监控图像的时长，则可以确定出该第一位置的家禽是否死亡。
由于若第一位置的家禽在连续一段时间与危险物种的第二位置重叠后，仍不能完全确定家禽死亡，故还需要确定出与第二位置重叠的第一位置，在该第三时刻之前的实时视频监控图像的识别结果中连续出现的时长。
具体的，所述根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确认所述第一位置的家禽是否死亡，包括：
针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
针对第三视频监控图像的识别结果中危险物种的第二位置，若该第三视频监控图像的识别结果中存在与该第二位置重叠的第一位置，且在第三时刻之前的实时视频监控图像的识别结果中，该第二位置与第一位置重叠连续出现，则确定该第二位置与第一位置首次出现重叠的时刻。
具体的，确定该第二位置与第一位置首次出现重叠的时刻，根据该第三时刻之前的视频监控图像的识别结果，若该第三视频监控图像之前连续n帧的视频监控图像中该第二位置与第一位置重叠，该第三视频监控图像之前的n+1帧的视频监控图像中该第二位置与该第一位置不重叠，则该第三视频监控图像之前的第n帧的视频监控图像对应的时刻为首次出现重叠的时刻。
确定出首次出现重叠时刻后，根据首次出现重叠时刻与该第三时刻间的第二时长，若第二时长不小于第二时长阈值时，则确定第一位置的家禽死亡。其中，该第二时长阈值可以预先设置。
例如，老鹰把家禽抓走，或黄鼠狼把家禽叼走时，家禽的位置与危险物种的位置有长时间的位置重叠，则可以认为该家禽死亡。
根据在该第三时刻时，确定的存在死亡家禽的第一位置，根据确定的死亡家禽的不同第一位置，根据第三时刻时确定存在死亡家禽的第一位置，确定出第三时刻死亡家禽的第一数量。
实施例4：
为了训练驱赶模型，在上述各实施例的基础上，在本发明实施例中，训练所述驱赶模型的过程包括：
针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；
将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
为了实现对驱赶模型的训练，本发明实施例中保存有进行训练用的样本集，该样本集中的样本图像中包括有家禽和危险物种，该样本集中样本图像的第一标签信息为人工预先标注的，其中，该第一标签信息用于标识该样本图像中物种存在的位置信息，及存在的物种的类别信息。
在本发明实施例中，在获取到样本集中的任一样本图像及该样本图像的第一标签信息后，将该样本图像输入到原始驱赶模型中，该原始驱赶模型输出该样本图像的第二标签信息。其中，第二标签信息标识该原始驱赶模型识别的该样本图像中物种存在的位置信息，及存在的物种的类别信息。
在根据该原始驱赶模型确定出该样本图像的第二标签信息后，根据该第二标签信息以及该样本图像的第一标签信息，对该原始驱赶模型进行训练，以调整该原始驱赶模型的各项参数的参数值，得到训练完成的驱赶模型。
对驱赶模型进行训练的样本集中包含的每一个样本图像都进行上述操作，当满足预设的条件时，得到训练完成的驱赶模型。其中，该预设的条件可以是样本集中的样本图像通过原始驱赶模型训练后得到的第一标签信息与第二标签信息一致的样本图像的数量大于设定数量；也可以是对原始驱赶模型进行训练的迭代次数达到设置的最大迭代次数等。具体的，本发明实施例对此不做限制。
作为一种可能的实施方式，在对原始驱赶模型进行训练时，可以把样本集中的样本图像分为训练样本图像和测试样本图像，先基于训练样本图像对原始驱赶模型进行训练，再基于测试样本图像对训练完成的驱赶模型的可靠性进行测试。
实施例5：
下面通过一个具体的实施例对本发明的危险物种袭击家禽时驱赶家禽的过程进行说明，图2为本发明实施例提供的一种危险物种袭击家禽时驱赶家禽的过程示意图，如图2所示：
S201：获取户外家禽区域的实时视频监控图像，并将采集的每个视频监控图像输入到预先训练完成的驱赶模型。
S202：基于预先训练完成的驱赶模型，识别到第一视频监控图像中出现危险物种时，确定采集第一视频监控图像的时刻T1，根据该预先训练完成的驱赶模型输出的物种的类别信息及位置信息，识别危险物种的类型和数量。
将确定的时刻T1记录到表中的“袭击开始时间”字段，将识别到的危险物种的类型和数量记录到表中“危险物种类型”、“危险物种数量”字段。
S203：发出声光报警信号对危险物种进行驱赶。
S204：基于该预先训练完成的驱赶模型，确定危险物种袭击家禽的每个时刻死亡家禽的第一数量。
具体的，识别危险物种袭击家禽的每个时刻采集的视频监控图像中每个家禽的第一位置与危险物种的第二位置，确定采集该视频监控图像的时刻T2，根据每个第一位置在时刻T2之前的实时视频监控图像的识别结果中连续出现的时长，确定每个第一位置的家禽是否死亡；根据与第二位置重叠的第一位置，在第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定第一位置的家禽是否死亡；根据确认的存在家禽死亡的第一位置，确定第三时刻死亡家禽的第一数量。
将确定的此次遇袭到时刻T2的死亡家禽数量，该死亡家禽数量对应时刻T2与时刻T1的差值记录到统计表中的“死亡家禽总数目”“遇袭时长”字段。
S205：基于预先训练完成的驱赶模型，识别第二视频监控图像中危险物种是否消失，若是，进入S206；若否，返回S203。
确定获取第二视频监控图像的时刻T3，记录为表中“袭击结束”字段。
S206：停止发出声光报警信号。
表1为本发明实施例提供的一种袭击家禽导致家禽死亡的情况统计表，如表1所示：
Figure BDA0002466081860000151
危险物种袭击家禽的日期为2020年2月1日，该危险物种为老鹰，物种数量为3个，危险物种袭击家禽开始的时间为15:00:00，危险物种袭击家禽结束的时间为15:03:00。
当遇袭时刻为15:00:20，遇袭时长为20秒，死亡家禽的总数量为1只；当遇袭时刻为15:00:50，遇袭时长为50秒，死亡家禽的总数量为3只，当遇袭时刻为15:01:40，遇袭时长为100秒，死亡家禽的总数量为5只。
实施例6：
声光报警信号是为了对家禽进行驱赶，使其避难，为了使家禽能够根据报警进行躲避，需要预先对家禽进行训练，为了实现对家禽的训练，在上述各实施例的基础上，在本发明实施例中，所述方法还包括：
针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
若存在任一时刻的家禽的第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
在本发明实施例中，在对家禽进行训练前，首先需要确定出户外家禽的第二数量，即确定出户外家禽区域的家禽的第二数量。
具体的，为了确定出发出该声光报警信号过程中，每一时刻户外家禽的第三数量，获取每一时刻户外家禽区域的第五视频监控图像；将获取到的第五视频监控图像输入到该预先训练完成的驱赶模型，该预先训练完成的驱赶模型对视频监控图像进行识别，确定视频监控图像中每个家禽的位置信息，从而根据识别到家禽的不同位置信息，确定出图像中家禽的第三数量。
为了实现家禽在危险物种入侵时主动避险，首先要对家禽进行训练，在第一预设时长内发出声光报警信号，通过声光报警信号对家禽进行驱赶，使家禽进入避难所进行避险。其中，该第一预设时长是预先设置的，为了更好地对家禽进行训练，该家禽中的一定比例的家禽是训练已达标的家禽；对该家禽进行训练时还可以在通过声光报警信号对家禽进行驱赶的同时，人工驱赶家禽进入避难所。
在发出该声光报警信号过程中，为了确定未进行避险的家禽的数量从而判断训练的效果，还需要获取在发出该声光报警信号过程中的每一时刻，获取该户外家禽区域的第五视频监控图像。
在获取到第五视频监控图像后，将第五视频监控图像输入到该预先训练完成的驱赶模型，基于该预先训练完成的驱赶模型对第五视频监控图像的识别结果，确定出第五视频监控图像中家禽的第三数量。
为了根据本次的训练情况确定出下一次驱赶家禽发出声光报警信号的时间，在确定出每一时刻家禽的第三数量后，判断是否存在任一时刻家禽的第三数量与该第二数量的比值大于该时刻对应的目标预设阈值；确定每一时刻家禽的第三数量与第二数量的比值与目标预设阈值的比较结果，根据比较结果确定下一次驱赶家禽发出声光报警信号的时间。
本发明实施例中还保存有时长和预设阈值的对应关系，该对应关系是指危险物种袭击家禽的时长和预设阈值间的对应关系，在危险物种袭击家禽的不同时长，存在大小不同的预设阈值，该预设阈值是指在危险物种袭击家禽的不同时长时，可接受的死亡家禽的数量与所有家禽的第二数量的比值。
当存在任一时刻的家禽的第三数量与第二数量的比值大于该时刻对应的目标预设阈值时，说明此次训练不达标，则根据间隔的第二预设时长确定下一次驱赶家禽发出声光报警信号的时间；若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，说明此次训练达标，因此根据间隔的第三预设时长确定下一次驱赶家禽发出声光报警信号的时间。
其中，该第二预设时长和第三预设时长是预先设置的，该第二预设时长与第三预设时长是指两次训练间隔的时长。该第二预设时长较第三预设时长小，较第一预设时长大，较佳的，该第一预设时长可以是4分钟、6分钟等，该第二预设时长可以是4小时、6小时、12小时、48小时等，该第三预设时长可以是96小时、120小时等。
由于在本发明实施例中，通过发出声光报警信号对家禽进行驱赶训练，可以在危险物种入侵时使家禽在发出的声光报警信号下主动避险，提高存活率，该训练方法相比人为干预更加的及时、有效，从而提高了危险物种入侵时家禽的存活率。
由于在实际的危险物种袭击家禽时，还可以根据实际的家禽死亡情况对训练家禽采用的目标预设阈值进行调整，作为一种可能的实施方式，根据实际的危险物种袭击家禽的情况，可以确定在第三时刻死亡家禽的第一数量，由于该第三时刻是指在危险物种袭击家禽的第一时刻到第二时刻的时间段内的任一时刻，因此，可以确定出在危险物种袭击家禽时的任一时刻，死亡家禽的第一数量。
根据保存的时长与预设阈值的对应关系，确定采集第五视频监控图像的时刻距发出所述声光报警信号的第三时长，确定该第三时长对应的目标预设阈值，该目标预设阈值是指该第三时长时可接受的死亡家禽的数量与所有家禽的第二数量的比值。
确定第三时刻与第一时刻间隔的第四时长，以及采集第五视频监控图像的时刻距发出声光报警信号的第三时长，在该第四时长与该第三时长相同时，确定该第三时刻死亡家禽的第一数量与所有家禽的第二数量的比值，若死亡家禽的第一数量与所有家禽的第二数量的比值小于目标预设阈值时，说明死亡家禽的第一数量在可接受范围内，但也说明，该第四时长对应的目标预设阈值相比实际死亡家禽的第一数量与所有家禽的第二数量的比值较大，因此，需要将目标预设阈值调整为较第一数量与所有家禽的第二数量的比值小的数值。
现进行举例说明，危险物种出现在户外家禽区域的时刻为15:00:00，所有家禽的第二数量为20只时，根据危险物种袭击家禽时家禽死亡的情况统计表可知，在15:01:40时，即在家禽的遇袭时长为100秒时，死亡家禽的第一数量为5只，该第一数量与第二数量的比值为0.25。
若在采集第五视频监控图像的时刻距发出声光报警信号的第三时长也为100秒时，确定该第三时长对应的目标预设阈值，若该目标预设阈值大于0.25时，根据该目标预设阈值训练家禽避险时，在发出声光报警信号后的100秒时，家禽的第三数量大于5只的可能性很大，在该目标预设阈值时训练的家禽若发生危险物种袭击家禽，死亡家禽的第一数量很可能会达到5只。
若该目标预设阈值小于0.25时，根据该目标预设阈值训练家禽避险时，在发出声光报警信号后的100秒时，家禽的第三数量小于5只的可能性很大，在该目标预设阈值时训练的家禽若发生危险物种袭击家禽，死亡家禽的第一数量达到5只的可能性很小；因此，为了提高危险物种入侵时家禽的存活率，需要根据危险物种袭击家禽时家禽死亡的情况统计表，对训练家禽时采用的目标预设阈值进行调整。
实施例7：
为了提高确定下一次驱赶家禽发出声光报警信号的时间的准确性，在上述实施例的基础上，在本发明实施例中，所述在发出所述声光报警信号过程中，获取每一时刻获取所述户外家禽区域的第五视频监控图像，包括：
在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
在本发明实施例中，为了确定出声光报警信号过程中未躲避的家禽的第二数量，还可以在启动发出声光报警信号后的第四预设时长内，获取每一时刻该户外家禽区域的第五视频监控图像。
其中，该第四预设时长是预先设置的，是指危险物种袭击家禽的平均时长，该第四预设时长较第一预设时长小。
作为一种可能的实施方式，在本发明实施例中，在启动发出声光报警信号后，还可以间隔设定时长采集户外家禽区域的视频监控图像。
图3为本发明实施例提供的一种对家禽进行驱赶训练的方法过程示意图，该过程包括以下步骤：
S301：针对获取的户外家禽区域的第一视频监控图像，开启识别。
S302：基于预先训练完成的驱赶模型识别家禽的第一数量，记为totalCount。
S303：发出声光报警信号对家禽进行驱赶。
S304：每间隔2秒采集一次户外家禽区域的视频监控图像，确定采集的视频监控图像中家禽的数量，记为count_T(N)。
S305：在第一预设时长时，停止发出声光报警信号。通过totalCount、count_T(N)的值可以计算出T(N)时刻进行主动避险的家禽的数目及比例。
表2为本发明实施例提供的T(N)时刻进行主动避险的家禽的数目及比例的情况统计表，如表2所示：
Figure BDA0002466081860000201
T1时刻的家禽总数为totalCount，未主动避险家禽的数量为count_T1，主动避险家禽数量为totalCount-count_T1，主动避险家禽比例为1-count_T1/totalCount；T2时刻的家禽总数为totalCount，未主动避险家禽的数量为count_T2，主动避险家禽数量为totalCount-count_T2，主动避险家禽比例为1-count_T2/totalCount；T3时刻的家禽总数为totalCount，未主动避险家禽的数量为count_T3，主动避险家禽数量为totalCount-count_T3，主动避险家禽比例为1-count_T3/totalCount。
S306：单次训练结束，判断是否训练达标，并确定下次驱赶家禽发出声光报警信号的时间。
S307：根据保存的实际危险物种袭击家禽时的家禽死亡的情况统计表，判断危险物种出现在户外家禽区域后的任一时刻死亡家禽的数量是否大于0，若是，则进入S308；若否，则进入S309。
S308：调整训练标准，发出声光报警信号即表明家禽开始遇袭，根据采集视频监控图像的时刻距家禽开始遇袭时的时长，确定该时长时的死亡家禽的第一数量，若该时长对应的目标预设阈值大于第一数量与所有家禽的第二数量的比值时，将该目标预设阈值调整为较第一数量与所有家禽的第二数量的比值小的数值。
S309：训练标准调整完成。
实施例8：
图4为本发明实施例提供的一种驱赶装置的结构示意图，在上述各实施例的基础上，本发明实施例还提供的一种驱赶装置，所述装置包括：
获取模块401，用于获取户外家禽区域的实时视频监控图像；并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
驱赶模块402，用于若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
进一步地，所述驱赶模块402，还用于若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
进一步地，所述装置还包括：
确定模块403，用于确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻；
识别模块404，用于基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
所述确定模块403，还用于根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第三数量。
进一步地，所述确定模块403，具体用于针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述确定模块403，具体用于针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述装置还包括：
训练模块405，用于针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
进一步地，所述识别模块404，还用于针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
所述获取模块401，还用于在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
所述识别模块404，还用于基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
所述确定模块403，还用于若存在任一时刻的家禽的第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
进一步地，所述获取模块401，具体用于在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
实施例9：
图5为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信；
所述存储器503中存储有计算机程序，当所述程序被所述处理器501执行时，使得所述处理器501执行如下步骤：
获取户外家禽区域的实时视频监控图像；
基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
进一步地，所述处理器501，还用于若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
进一步地，所述处理器501，还用于确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；
针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻，并基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；
根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；
根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第一数量。
进一步地，所述处理器501，具体用于根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡，包括：
针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述处理器501，具体用于根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确认所述第一位置的家禽是否死亡，包括：
针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述处理器501，具体用于训练所述驱赶模型的过程包括：
针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；
将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
进一步地，所述处理器501，还用于针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
若存在任一时刻的家禽的第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
进一步地，所述处理器501，具体用于在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像，包括：
在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例10：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
获取户外家禽区域的实时视频监控图像；
基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
进一步地，所述方法还包括：
若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
进一步地，所述方法还包括：
确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；
针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻，并基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；
根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；
根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第一数量。
进一步地，所述根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡，包括：
针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
进一步地，所述根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确认所述第一位置的家禽是否死亡，包括：
针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
进一步地，训练所述驱赶模型的过程包括：
针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；
将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
进一步地，所述方法还包括：
针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
若存在任一时刻的家禽的第三数量与所述第二数量的比值大于所述时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
进一步地，所述在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像，包括：
在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种驱赶方法，其特征在于，所述方法包括：
获取户外家禽区域的实时视频监控图像；
基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若基于所述预先训练完成的驱赶模型，识别到第二视频监控图像中所述危险物种消失时，停止发出所述声光报警信号。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定采集所述第一视频监控图像的第一时刻，以及采集所述第二视频监控图像的第二时刻；
针对所述第一时刻到所述第二时刻的时间内采集的任意一张第三视频监控图像，确定采集所述第三视频监控图像的第三时刻，并基于所述预先训练完成的驱赶模型，识别所述第三视频监控图像中每个家禽的第一位置与所述危险物种的第二位置；
根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡；
根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定所述第一位置的家禽是否死亡；
根据确认的存在家禽死亡的第一位置，确定所述第三时刻死亡家禽的第一数量。
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确定每个所述第一位置的家禽是否死亡，包括：
针对每个所述第一位置，若所述第一位置在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定所述第一位置首次出现的时刻与所述第三时刻间的第一时长，若所述第一时长不小于第一时长阈值时，确定所述第一位置的家禽死亡。
5.根据权利要求3所述的方法，其特征在于，所述根据与所述第二位置重叠的第一位置，在所述第三时刻之前的实时视频监控图像的识别结果中连续出现的时长，确认所述第一位置的家禽是否死亡，包括：
针对所述第二位置，若存在与所述第二位置重叠的第一位置，且在所述第三时刻之前的实时视频监控图像的识别结果中连续出现，确定首次出现时刻与所述第三时刻间的第二时长，若所述第二时长不小于第二时长阈值时，确定所述第一位置的家禽死亡。
6.根据权利要求1所述的方法，其特征在于，训练所述驱赶模型的过程包括：
针对样本集中的任一样本图像，获取所述样本图像及所述样本图像对应的第一标签信息，其中所述第一标签信息标识物种存在的位置信息，及存在的物种的类别信息；
将所述样本图像输入到原始驱赶模型中，获取输出的所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始驱赶模型的各参数的参数值进行调整，得到训练完成的所述驱赶模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对获取的户外家禽区域的第四视频监控图像，基于预先训练完成的驱赶模型识别家禽的第二数量；
在第一预设时长内发出声光报警信号对家禽进行驱赶，并在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像；
基于所述预先训练完成的驱赶模型，识别所述第五视频监控图像中家禽的第三数量；
若存在任一时刻的家禽的第三数量与所述第二数量的比值大于该时刻对应的目标预设阈值，根据间隔的第二预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，若任一时刻的家禽的第三数量与所述第二数量的比值均不大于该时刻对应的目标预设阈值，根据间隔的第三预设时长确定下一次驱赶家禽发出所述声光报警信号的时间，其中所述第二预设时长较所述第三预设时长小，较所述第一预设时长大。
8.根据权利要求7所述的方法，其特征在于，所述在发出所述声光报警信号过程中，获取每一时刻所述户外家禽区域的第五视频监控图像，包括：
在发出所述声光报警信号的时刻后到第四预设时长内，获取每一时刻所述户外家禽区域的第五视频监控图像，其中，所述第四预设时长小于所述第一预设时长。
9.一种驱赶装置，其特征在于，所述装置包括：
获取模块，用于获取户外家禽区域的实时视频监控图像；并基于预先训练完成的驱赶模型，依次获取每个视频监控图像中包含的物种的标识信息；
驱赶模块，用于若确定第一视频监控图像中包含的标识信息中存在危险物种的标识信息，则发出声光报警信号对家禽进行驱赶。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8中任一所述驱赶方法的步骤。
11.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述驱赶方法的步骤。
CN202010334440.6A 2020-04-24 2020-04-24 一种驱赶方法、装置、设备和介质 Active CN111539334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010334440.6A CN111539334B (zh) 2020-04-24 2020-04-24 一种驱赶方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010334440.6A CN111539334B (zh) 2020-04-24 2020-04-24 一种驱赶方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111539334A true CN111539334A (zh) 2020-08-14
CN111539334B CN111539334B (zh) 2023-04-25

Family

ID=71980198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010334440.6A Active CN111539334B (zh) 2020-04-24 2020-04-24 一种驱赶方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111539334B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283311A (zh) * 2021-05-07 2021-08-20 恒大新能源汽车投资控股集团有限公司 一种车用动物驱离方法和装置
CN115359609A (zh) * 2022-08-17 2022-11-18 杭州国巡机器人科技有限公司 一种自主驱赶活体入侵的方法及系统
CN115530150A (zh) * 2021-06-30 2022-12-30 深圳市中诺通讯有限公司 一种牧圈声音检测防护方法和防护系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230322A (zh) * 2017-07-26 2017-10-03 中国地质大学（武汉） 用于确定运动物体是否离开安全区域的监控方法
CN108460370A (zh) * 2018-04-13 2018-08-28 中北大学 一种固定式家禽生命信息报警装置
CN109726796A (zh) * 2018-12-03 2019-05-07 三峡大学 一种基于神经网络的养殖场管理方法
CN110447559A (zh) * 2019-08-01 2019-11-15 唐山哈船科技有限公司 一种能够检测蜱虫的智能项圈及其检测方法
JP2019205425A (ja) * 2018-05-24 2019-12-05 大豊産業株式会社 死亡鶏検知システム、鶏生死判定プログラム、および鶏生死判定装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230322A (zh) * 2017-07-26 2017-10-03 中国地质大学（武汉） 用于确定运动物体是否离开安全区域的监控方法
CN108460370A (zh) * 2018-04-13 2018-08-28 中北大学 一种固定式家禽生命信息报警装置
JP2019205425A (ja) * 2018-05-24 2019-12-05 大豊産業株式会社 死亡鶏検知システム、鶏生死判定プログラム、および鶏生死判定装置
CN109726796A (zh) * 2018-12-03 2019-05-07 三峡大学 一种基于神经网络的养殖场管理方法
CN110447559A (zh) * 2019-08-01 2019-11-15 唐山哈船科技有限公司 一种能够检测蜱虫的智能项圈及其检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283311A (zh) * 2021-05-07 2021-08-20 恒大新能源汽车投资控股集团有限公司 一种车用动物驱离方法和装置
CN115530150A (zh) * 2021-06-30 2022-12-30 深圳市中诺通讯有限公司 一种牧圈声音检测防护方法和防护系统
CN115359609A (zh) * 2022-08-17 2022-11-18 杭州国巡机器人科技有限公司 一种自主驱赶活体入侵的方法及系统

Also Published As

Publication number Publication date
CN111539334B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111539334B (zh) 一种驱赶方法、装置、设备和介质
WO2020151083A1 (zh) 区域确定方法、装置、存储介质和处理器
Lima Back to the basics of anti-predatory vigilance: the group-size effect
JP2011160706A (ja) 野生動物捕獲装置
Suju et al. FLANN: Fast approximate nearest neighbour search algorithm for elucidating human-wildlife conflicts in forest areas
Whalley et al. Applications of image processing in viticulture: A review
Nunny Animal welfare in predator control: Lessons from land and sea. How the management of terrestrial and marine mammals impacts wild animal welfare in human–wildlife conflict scenarios in Europe
JP6484655B2 (ja) 害獣対策支援システム及び害獣対策支援方法
CN114586760B (zh) 一种基于大数据的农药喷淋方法，系统及可读存储介质
Suwanrat et al. Reproductive ecology and nest-site selection of Siamese fireback in lowland forest.
CN116740644A (zh) 一种百香果栽培过程病虫害综合评估与防治方法及系统
White et al. Low-Cost Forensics Reveal High Rates of Non-lethal Snaring and Shotgun Injuries in Zambia's Large Carnivores
CN114022443A (zh) 一种跨境入侵生物智能快速筛检系统
Bhusal et al. Bird deterrence in a vineyard using an unmanned aerial system (uas)
CN116740645A (zh) 基于物联网的实蝇监测与综合防控方法、系统及存储介质
Khare et al. Automated Crop Field Surveillance Using Computer Vision
CN111583566A (zh) 一种电子围栏系统、电子围栏管理方法及计算机设备
Sarwar Raiding of agricultural crops and forests by wild boar (Sus scrofa L.) and its mitigation tricks
Coates et al. Evaluation of damage by vertebrate pests in California vineyards and control of wild turkeys by bioacoustics
CN115468598A (zh) 一种猪舍环境智慧监控方法及系统
KR102092061B1 (ko) 유해동물 관리시스템
Mizobuchi et al. A study on detection and tracking of estrous behaviors for cattle using laser range sensor and video camera
CN112580482A (zh) 一种动物监控方法、终端和存储介质
CN113207831A (zh) 一种白蚁监测方法、装置、智能终端及存储介质
CN112309407B (zh) 一种天牛发生测报系统及方法

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
GR01 Patent grant
GR01 Patent grant