CN111862993A - 一种基于卷积神经网络的野生动物优化的识别算法 - Google Patents
一种基于卷积神经网络的野生动物优化的识别算法 Download PDFInfo
- Publication number
- CN111862993A CN111862993A CN202010794707.XA CN202010794707A CN111862993A CN 111862993 A CN111862993 A CN 111862993A CN 202010794707 A CN202010794707 A CN 202010794707A CN 111862993 A CN111862993 A CN 111862993A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- server
- identification
- neural network
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 241000894007 species Species 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 230000001846 repelling effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000938605 Crocodylia Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000237852 Mollusca Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
- H04L63/0227—Filtering policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
Abstract
本发明公开了一种基于卷积神经网络的野生动物优化的识别算法,包括计算模块、传输模块、定位模块和识别模块;所述计算模块用于数据的计算;所述传输模块用于高速低延时传输;所述定位模块用于卫星定位,形成位置定位;所述识别模块用于鸟类声纹识别,本发明结构科学合理,使用安全方便,通过计算模块用于数据的计算,传输模块用于高速低延时传输,定位模块用于卫星定位,形成位置定位,识别模块用于鸟类声纹识别,从而共同完成野生动物的精确监测,最终将空天地数据在一体化平台进行输出,全国多数保护区及野保机构的分析数据最终形成全国主要野生动物的数据统计和分析,实时监测物种的变化趋势。
Description
技术领域
本发明涉及野生动物优化的识别技术领域,具体为一种基于卷积神经网络的野生动物优化的识别算法。
背景技术
野生动物,是指在大自然的环境下生长且未被驯化的动物,野生动物有广义和狭义之分,广义泛指兽类、鸟类、爬行类、两栖类、鱼类以及软体动物和昆虫类,狭义指除了鱼类和无脊椎动物以外的上述各类动物,即包括兽类、鸟类、爬行类和两栖类,按照野生动物与人类的密切联系程度,又可以将野生动物划分为野外环境的野生动物和人工繁殖的野生动物,《野生动物保护法》规定保护的野生动物,是指珍贵、濒危的陆生、水生野生动物和有益的或者有重要经济、科学研究价值的陆生野生动物;
但是目前市场上的野生动物优化的识别算法不够全面,对于数据的接收与传输慢,且不能对于数据进行统计与分析,造成识别率低,且资料不齐全的现象。
发明内容
本发明提供一种基于卷积神经网络的野生动物优化的识别算法,可以有效解决上述背景技术中提出目前市场上的野生动物优化的识别算法不够全面,对于数据的接收与传输慢,且不能对于数据进行统计与分析,造成识别率低,且资料不齐全的现象的问题。
为实现上述目的,本发明提供如下技术方案:一种基于卷积神经网络的野生动物优化的识别算法,包括计算模块、传输模块、定位模块和识别模块;
所述计算模块用于数据的计算;
所述传输模块用于高速低延时传输;
所述定位模块用于卫星定位,形成位置定位;
所述识别模块用于鸟类声纹识别。
根据上述技术方案,所述计算模块依托高算力的GPU算力云,通过150多层的卷积神经网络架构搭建的深度学习算法模型可以对微小的野生动物进行精确的识别,同时依托于Nvidia、Rockchip和Bitmain芯片的联合开发,可以部署在他们集群环境和边缘盒式产品中,使得识别速度高且算力性价比高。
根据上述技术方案,所述传输模块结合5G的高速低延时传输,传输中将信息通过以太网传输到数据采集服务器和含GPU显示电脑;
所述数据采集服务器将数据通过以太网交换机传输到GPU识别服务器集群和业务分析服务器;
所述GPU识别服务器集群和业务分析服务器将数据传输到鸟类信息提示系统和激光驱鸟系统。
根据上述技术方案,所述传输模块传输中将数据进行加密,
完全按照国密局要求的IPSECVPN标准实现,且按照内核级的加解密处理以及网络隔离,并以国密认证的TF32A09芯片为核心,硬件实时加密;
其服务器采用双层网关,前置作为防火墙,后置作为安全通信服务器,防火墙用于过滤非法的业务数据,安全通信服务器用于与客户端建立安全信道,解析安全接入模块传输过来的数据,并将解析得到的数据分发到各个业务服务器上,最后再将处理的结果通过安全信道加密返回到各个安全接入模块中。
根据上述技术方案,所述定位模块采用北斗卫星定位,并进行位置定位,计算出方位、高度和距离,接着通过传输模块传输到计模块。
根据上述技术方案,所述识别模块对于鸟类声纹识别,并通过监控收集样本图片,利用标注工具对样本进行标注,将标注好的样本导入训练服务器进行训练,训练完成后将识别模型导入到识别服务器;将物种信息录入到管理分析平台,相关人员需要进一步了解物种的属性等专业信息时,只需将鼠标点击物种图片即可得到该物种详细的知识信息。
根据上述技术方案,包括如下步骤:
S1、通过识别模块和定位模块将采集到的数据通过传输模块发送到计算模块;
S2、计算模块将数据进行计算,并将识别结果和相关信息发送到用户的业务服务器;
S3、业务服务器根据收到的结果进行业务处理,并进行数据的比对判定。
根据上述技术方案,所述S1中监控为前端数据采集服务器的摄像头。
根据上述技术方案,所述S2中计算模块为云端识别服务器。
与现有技术相比,本发明的有益效果:本发明结构科学合理,使用安全方便,通过计算模块用于数据的计算,传输模块用于高速低延时传输,定位模块用于卫星定位,形成位置定位,识别模块用于鸟类声纹识别,从而共同完成野生动物的精确监测,最终将空天地数据在一体化平台进行输出,全国多数保护区及野保机构的分析数据最终形成全国主要野生动物的数据统计和分析,实时监测物种的变化趋势。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的系统结构示意图;
图2是本发明的方法步骤结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1-2所示,本发明提供技术方案,一种基于卷积神经网络的野生动物优化的识别算法,包括计算模块、传输模块、定位模块和识别模块;
计算模块用于数据的计算;
传输模块用于高速低延时传输;
定位模块用于卫星定位,形成位置定位;
识别模块用于鸟类声纹识别。
根据上述技术方案,计算模块依托高算力的GPU算力云,通过150多层的卷积神经网络架构搭建的深度学习算法模型可以对微小的野生动物进行精确的识别,同时依托于Nvidia、Rockchip和Bitmain芯片的联合开发,可以部署在他们集群环境和边缘盒式产品中,使得识别速度高且算力性价比高。
根据上述技术方案,传输模块结合5G的高速低延时传输,传输中将信息通过以太网传输到数据采集服务器和含GPU显示电脑;
数据采集服务器将数据通过以太网交换机传输到GPU识别服务器集群和业务分析服务器;
GPU识别服务器集群和业务分析服务器将数据传输到鸟类信息提示系统和激光驱鸟系统。
根据上述技术方案,传输模块传输中将数据进行加密,
完全按照国密局要求的IPSECVPN标准实现,且按照内核级的加解密处理以及网络隔离,并以国密认证的TF32A09芯片为核心,硬件实时加密;
其服务器采用双层网关,前置作为防火墙,后置作为安全通信服务器,防火墙用于过滤非法的业务数据,安全通信服务器用于与客户端建立安全信道,解析安全接入模块传输过来的数据,并将解析得到的数据分发到各个业务服务器上,最后再将处理的结果通过安全信道加密返回到各个安全接入模块中。
根据上述技术方案,定位模块采用北斗卫星定位,并进行位置定位,计算出方位、高度和距离,接着通过传输模块传输到计模块。
根据上述技术方案,识别模块对于鸟类声纹识别,并通过监控收集样本图片,利用标注工具对样本进行标注,将标注好的样本导入训练服务器进行训练,训练完成后将识别模型导入到识别服务器;将物种信息录入到管理分析平台,相关人员需要进一步了解物种的属性等专业信息时,只需将鼠标点击物种图片即可得到该物种详细的知识信息。
根据上述技术方案,包括如下步骤:
S1、通过识别模块和定位模块将采集到的数据通过传输模块发送到计算模块;
S2、计算模块将数据进行计算,并将识别结果和相关信息发送到用户的业务服务器;
S3、业务服务器根据收到的结果进行业务处理,并进行数据的比对判定。
根据上述技术方案,S1中监控为前端数据采集服务器的摄像头。
根据上述技术方案,S2中计算模块为云端识别服务器。
与现有技术相比,本发明的有益效果:本发明结构科学合理,使用安全方便,通过计算模块用于数据的计算,传输模块用于高速低延时传输,定位模块用于卫星定位,形成位置定位,识别模块用于鸟类声纹识别,从而共同完成野生动物的精确监测,最终将空天地数据在一体化平台进行输出,全国多数保护区及野保机构的分析数据最终形成全国主要野生动物的数据统计和分析,实时监测物种的变化趋势。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的野生动物优化的识别算法,其特征在于:包括计算模块、传输模块、定位模块和识别模块;
所述计算模块用于数据的计算;
所述传输模块用于高速低延时传输;
所述定位模块用于卫星定位,形成位置定位;
所述识别模块用于鸟类声纹识别。
2.根据权利要求1所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述计算模块依托高算力的GPU算力云,通过150多层的卷积神经网络架构搭建的深度学习算法模型可以对微小的野生动物进行精确的识别,同时依托于Nvidia、Rockchip和Bitmain芯片的联合开发,可以部署在他们集群环境和边缘盒式产品中,使得识别速度高且算力性价比高。
3.根据权利要求1所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述传输模块结合5G的高速低延时传输,传输中将信息通过以太网传输到数据采集服务器和含GPU显示电脑;
所述数据采集服务器将数据通过以太网交换机传输到GPU识别服务器集群和业务分析服务器;
所述GPU识别服务器集群和业务分析服务器将数据传输到鸟类信息提示系统和激光驱鸟系统。
4.根据权利要求2所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述传输模块传输中将数据进行加密,
完全按照国密局要求的IPSEC VPN标准实现,且按照内核级的加解密处理以及网络隔离,并以国密认证的TF32A09芯片为核心,硬件实时加密;
其服务器采用双层网关,前置作为防火墙,后置作为安全通信服务器,防火墙用于过滤非法的业务数据,安全通信服务器用于与客户端建立安全信道,解析安全接入模块传输过来的数据,并将解析得到的数据分发到各个业务服务器上,最后再将处理的结果通过安全信道加密返回到各个安全接入模块中。
5.根据权利要求1所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述定位模块采用北斗卫星定位,并进行位置定位,计算出方位、高度和距离,接着通过传输模块传输到计模块。
6.根据权利要求1所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述识别模块对于鸟类声纹识别,并通过监控收集样本图片,利用标注工具对样本进行标注,将标注好的样本导入训练服务器进行训练,训练完成后将识别模型导入到识别服务器;将物种信息录入到管理分析平台,相关人员需要进一步了解物种的属性等专业信息时,只需将鼠标点击物种图片即可得到该物种详细的知识信息。
7.根据权利要求6所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,包括如下步骤:
S1、通过识别模块和定位模块将采集到的数据通过传输模块发送到计算模块;
S2、计算模块将数据进行计算,并将识别结果和相关信息发送到用户的业务服务器;
S3、业务服务器根据收到的结果进行业务处理,并进行数据的比对判定。
8.根据权利要求7所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述S1中监控为前端数据采集服务器的摄像头。
9.根据权利要求7所述的一种基于卷积神经网络的野生动物优化的识别算法,其特征在于,所述S2中计算模块为云端识别服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794707.XA CN111862993A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的野生动物优化的识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794707.XA CN111862993A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的野生动物优化的识别算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862993A true CN111862993A (zh) | 2020-10-30 |
Family
ID=72971820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794707.XA Pending CN111862993A (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的野生动物优化的识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862993A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289326A (zh) * | 2020-12-25 | 2021-01-29 | 浙江弄潮儿智慧科技有限公司 | 一种具有噪音去除的鸟类识别综合管理系统及其噪音去除方法 |
CN112687280A (zh) * | 2020-12-25 | 2021-04-20 | 浙江弄潮儿智慧科技有限公司 | 一种具有频谱-时间空间界面的生物多样性监测系统 |
CN112735443A (zh) * | 2020-12-25 | 2021-04-30 | 浙江弄潮儿智慧科技有限公司 | 一种具有自动分类的海洋空间资源管理系统及其自动分类方法 |
CN112750442A (zh) * | 2020-12-25 | 2021-05-04 | 浙江弄潮儿智慧科技有限公司 | 一种具有小波变换的朱鹮种群生态体系监测系统及其小波变换方法 |
-
2020
- 2020-08-10 CN CN202010794707.XA patent/CN111862993A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289326A (zh) * | 2020-12-25 | 2021-01-29 | 浙江弄潮儿智慧科技有限公司 | 一种具有噪音去除的鸟类识别综合管理系统及其噪音去除方法 |
CN112687280A (zh) * | 2020-12-25 | 2021-04-20 | 浙江弄潮儿智慧科技有限公司 | 一种具有频谱-时间空间界面的生物多样性监测系统 |
CN112735443A (zh) * | 2020-12-25 | 2021-04-30 | 浙江弄潮儿智慧科技有限公司 | 一种具有自动分类的海洋空间资源管理系统及其自动分类方法 |
CN112750442A (zh) * | 2020-12-25 | 2021-05-04 | 浙江弄潮儿智慧科技有限公司 | 一种具有小波变换的朱鹮种群生态体系监测系统及其小波变换方法 |
CN112750442B (zh) * | 2020-12-25 | 2023-08-08 | 浙江弄潮儿智慧科技有限公司 | 一种具有小波变换的朱鹮种群生态体系监测系统及其方法 |
CN112687280B (zh) * | 2020-12-25 | 2023-09-12 | 浙江弄潮儿智慧科技有限公司 | 一种具有频谱-时间空间界面的生物多样性监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862993A (zh) | 一种基于卷积神经网络的野生动物优化的识别算法 | |
Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
Nicholson et al. | Abundance, survival and temporary emigration of bottlenose dolphins (Tursiops sp.) off Useless Loop in the western gulf of Shark Bay, Western Australia | |
Preston et al. | Enumerating white‐tailed deer using unmanned aerial vehicles | |
Zaller et al. | Monitoring arthropods in protected grasslands: comparing pitfall trapping, quadrat sampling and video monitoring | |
CN113255691A (zh) | 一种输电线路涉鸟故障危害鸟种目标检测与识别方法 | |
Tredick et al. | Sub-sampling genetic data to estimate black bear population size: a case study | |
Brown et al. | Automated aerial animal detection when spatial resolution conditions are varied | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
US20210342713A1 (en) | Environmental and crop monitoring system | |
Mücher et al. | Detection, identification and posture recognition of cattle with satellites, aerial photography and UAVs using deep learning techniques | |
Flinn et al. | Age and growth of hardhead catfish and gafftopsail catfish in coastal Louisiana, USA | |
Cochero et al. | A convolutional neural network to recognize Chagas disease vectors using mobile phone images | |
Adams et al. | Using simulation to understand annual sea lamprey marking rates on lake trout | |
CN114847196A (zh) | 智能蜂箱及基于深度学习的蜜蜂识别跟踪计数系统 | |
Ackleh et al. | Fitting a structured juvenile–adult model for green tree frogs to population estimates from capture–mark–recapture field data | |
CN112883915B (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
Margenau et al. | Monitoring partially marked populations using camera and telemetry data | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
CN111291597B (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
Sauer¹ | Monitoring goals and programs of the US Fish and Wildlife Service | |
Muhlbauer et al. | Evaluation of Potential Regulations for Improving Flathead Catfish Size Structure in Iowa’s Large Reservoirs | |
Min | Variation in sexually dimorphic traits of male pronghorns | |
Kakarla et al. | Types of Unmanned Aerial Vehicles (UAVs), Sensing Technologies, and Software for Agricultural Applications: AE565/AE565, 10/2021 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |