CN112084945A - 主动式驱鸟方法、装置、计算机设备及存储介质 - Google Patents
主动式驱鸟方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112084945A CN112084945A CN202010940955.0A CN202010940955A CN112084945A CN 112084945 A CN112084945 A CN 112084945A CN 202010940955 A CN202010940955 A CN 202010940955A CN 112084945 A CN112084945 A CN 112084945A
- Authority
- CN
- China
- Prior art keywords
- bird repelling
- airplane
- training
- target detection
- sample set
- 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
- 230000001846 repelling effect Effects 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 230000002940 repellent Effects 0.000 claims 2
- 239000005871 repellent Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Birds (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及主动式驱鸟方法、装置、计算机设备及存储介质,该方法包括获取实时图像,以得到待检测图像;将待检测图像输入目标检测模型内进行检测,以得到检测结果;判断检测结果是否是有飞机存在;若检测结果是有飞机存在,则对飞机进行跟踪,以得到跟踪结果;根据跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。本发明实现在飞机降落或者起飞时候,提前驱鸟,通过监控画面,再次确认鸟情,以降低人力及物力成本,更好地提高飞机起降落的安全性。
Description
技术领域
本发明涉及驱鸟方法,更具体地说是指主动式驱鸟方法、装置、计算机设备及存储介质。
背景技术
在一些特殊的场合会由于鸟类的存在,导致灾难的发生,比如机场以及变电站等,在变电站场合,当鸟类在这些电力设备上休息、居住的同时,也会给这些电力设备带来严重的安全隐患,在机场场合,当鸟类存在时会对飞机的飞行或者起飞等造成很大的影响。在这些特殊的场合配备了一些比较常见的基础驱鸟设备,例如超声波,煤气炮,激光等设备,但这些设备的驱动方式包括比较传统的定时驱动或者人工驱动。
当前机场采用防止鸟撞飞机的方式,都是采用处于非常被动的驱鸟方式,把注意力都集中在怎么把机场中的鸟赶走,于是在机场全覆盖各种驱鸟设备,以及分派大量的人工进行24小时作业,以保证机场为无鸟场地,耗费大量的人力及物力成本在驱鸟上,成本高。
因此,有必要设计一种新的方法,实现在飞机降落或者起飞时候,提前驱鸟,通过监控画面,再次确认鸟情,以降低人力及物力成本,更好地提高飞机起降落的安全性。
发明内容
本发明的目的在于克服现有技术的缺陷,提供主动式驱鸟方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:主动式驱鸟方法,包括:
获取实时图像,以得到待检测图像;
将待检测图像输入目标检测模型内进行检测,以得到检测结果;
判断所述检测结果是否是有飞机存在;
若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;
根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;
根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端;
其中,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的。
其进一步技术方案为:所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的,包括:
获取飞机起飞和降落时的图像;
对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;
构建EfficientDet网络;
利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
其进一步技术方案为:所述利用样本集对EfficientDet网络进行训练,以得到目标检测模型,包括:
设置训练参数;
根据训练参数以及样本集对EfficientDet网络进行训练,以得到目标检测模型。
其进一步技术方案为:所述目标检测模型的初始学习率为0.01。
其进一步技术方案为:所述根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端,包括:
根据监控画面再次确认驱鸟情况;
判断所述驱鸟情况是否是驱鸟成功;
若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;
若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述发送可执行起飞或降落的通知至终端。
本发明还提供了主动式驱鸟装置,包括:
实时图像获取单元,用于获取实时图像,以得到待检测图像;
目标检测单元,用于将待检测图像输入目标检测模型内进行检测,以得到检测结果;
判断单元,用于判断所述检测结果是否是有飞机存在;
跟踪单元,用于若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;
驱鸟单元,用于根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;
确认单元,用于根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
其进一步技术方案为:还包括:
模型获取单元,用于通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络,以得到目标检测模型。
其进一步技术方案为:所述模型获取单元包括:
飞机图像获取子单元,用于获取飞机起飞和降落时的图像;
标注子单元,用于对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;
网络构建子单元,用于构建EfficientDet网络;
训练子单元,用于利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过获取指定区域的实时图像,并经过目标检测模型进行检测,以得到检测结果,再从检测结果中判断是否有飞机起飞或降落,当该区域存在飞机起飞或降落,则进行驱鸟,再由人工确认是否驱鸟完成,当驱鸟未完成则采用人工驱鸟,实现在飞机降落或者起飞时候,提前驱鸟,通过监控画面,再次确认鸟情,以降低人力及物力成本,更好地提高飞机起降落的安全性。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的主动式驱鸟方法的应用场景示意图;
图2为本发明实施例提供的主动式驱鸟方法的流程示意图;
图3为本发明实施例提供的主动式驱鸟方法的子流程示意图;
图4为本发明实施例提供的主动式驱鸟方法的子流程示意图;
图5为本发明实施例提供的主动式驱鸟方法的子流程示意图;
图6为本发明实施例提供的主动式驱鸟装置的示意性框图;
图7为本发明实施例提供的计算机设备的示意性框图。
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他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的主动式驱鸟方法的应用场景示意图。图2为本发明实施例提供的主动式驱鸟方法的示意性流程图。该主动式驱鸟方法应用于服务器中。该服务器与相机、终端以及驱鸟设备进行数据交互,通过获取对应区域的图像进行飞机的检测,当遇到飞机处于起飞或者降落时,由驱鸟设备进行驱鸟,且发送驱鸟情况的监控画面给终端,由人工确认是否驱鸟完成,若未完成则进行人工驱鸟。
图2是本发明实施例提供的主动式驱鸟方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、获取实时图像,以得到待检测图像。
在本实施例中,待检测图像是指在机场中供飞机起飞或者飞机降落着陆的区域所拍摄的图像。
将IPC(进程间通信,Inter-Process Communication)摄像头安装在机场跑道两端需要检测飞机的位置,输出实时的待检测图像。
S120、将待检测图像输入目标检测模型内进行检测,以得到检测结果。
在本实施例中,检测结果包括飞机是否存在的类别,当飞机存在时则还包括飞机所在的位置以及构成的检测框。
具体地,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的。
在一实施例中,请参阅图3,上述的目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的,可包括步骤S121~S124。
S121、获取飞机起飞和降落时的图像。
在本实施例中,从COCO和VOC2012公共数据集中抽取属于飞机的数据,另外采用IPC摄像头随手抓拍等人工方式采集不同天气以及不同时间的飞机起降落时的照片作为数据集。
S122、对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集。
在本实施例中,样本集是指带有是否存在飞机的类别以及飞机位置标签的飞机起飞和降落时的图像。
使用labelImg标注工具,用矩形框对飞机逐个进行标注,并且标注标签为plane,保存对应的txt格式的标签文件,将所有的数据按4:1分为飞机检测训练数据集及测试数据集。将标注的txt文件转换为xml文件,然后在转为coco.json文件,将json文件及图片根据脚本读取方式的路径放置。
S123、构建EfficientDet网络。
在本实施例中,选择Pytorch为深度学习网络训练平台,使用EfficientDet网络作为主干网络,选择D0模型,输入图像大小为512,每一批训练设置为64,如果显存溢出,则调整每一批训练的大小;由于只需要检测飞机一类,所以EfficientDet网络内的参数,目标的类型种类数量num_classes设置为1。选择Fast normalized fusion方法作为加权后的特征融合方法,用开源预训练数据库模型为该模型初始化参数。
S124、利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
设置学习率为0.01为初始学习率,设置输入分辨率参数compound_coef为0,即EfficientDet网络的DO模型,同时对应EfficientDet网络的b0开始训练,观察总体损失值total_loss,目标识别损失值reg_loss,置信度损失值cls_loss值趋于稳定后停止训练,保存训练得到的模型
设置可信度阈值threshod为0.75,交叉阈值iou_threshod=0.5,目标列表obj_ist=[‘plane’],使用mAP(平均的平均精确度,mean Average Precision)指标来判断测试数据对模型的测试,如果mAP小于0.98,则修改训练参数设置或者增加数据集重新训练,直到满足mAP大于0.98的要求。
在一实施例中,请参阅图4,上述的步骤S124可包括步骤S1241~S1242。
S1241、设置训练参数。
在本实施例中,训练参数是指EfficientDet网络相关的参数。
S1242、根据训练参数以及样本集对EfficientDet网络进行训练,以得到目标检测模型。
在本实施例中,所述目标检测模型的初始学习率为0.01。
S130、判断所述检测结果是否是有飞机存在;
S140、若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果。
在本实施例中,跟踪结果是指飞机的行径,并以此确定飞机处于起飞状态还是降落状态等。
S150、根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面。
在本实施例中,监控画面是由相机实时拍摄所得的画面,相机会将画面经过服务器传输至终端。
S160、根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
在一实施例中,请参阅图5,上述的步骤S160可包括步骤S161~S164。
S161、根据监控画面再次确认驱鸟情况;
S162、判断所述驱鸟情况是否是驱鸟成功;
S163、若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;
S164、若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述步骤S163。
若所述检测结果不是有飞机存在,则执行所述步骤S110。
若果出现飞机目标,则采用KCF(核相关滤波算法,Kernel Correlation Filter)算法进行飞机跟踪,检测到的飞机满足驱动驱鸟设备的条件后,则驱动驱鸟设备,机场人员人工通过监控画面,人工再次确认鸟情,决定是否再次手动驱动驱鸟设备,当没有鸟时,则告知飞行员,可以起飞或者降落。
具体地,对于训练目标检测模型时,检测起飞的飞机时,安装监测用于飞机起飞的IPC相机,设置飞机起飞起点ROI(感兴趣区域,region of interest)区域;获取IPC图像,加载训练好的模型,利用EfficientDet算法的前向推理检测ROI区域中是否有飞机,此后,如果存在飞机,则驱动跑道两边的驱鸟设备;人工通过摄像头监控画面,再次确认跑道上是否存在鸟情,存在则通过手持ipad设备,再次远程驱动驱鸟设备;确定无鸟情后,通过机场调度室告知飞行员可以起飞;采用成熟的KCF(核相关滤波算法,Kernel CorrelationFilter)跟踪算法,跟踪飞机,以保证飞机起飞过程中不会驱动驱鸟设备。
检测飞机降落时,安装监测用于降落飞机的IPC相机,获取IPC图像,加载训练好的模型,利用EfficientDet算法的前向推理检测飞机,通过计算检测到飞机面积变化来判断飞机是否准备降落,如果检测到的飞机在10秒钟内,检测到的飞机矩形框面积不是越来越小,则说明飞机准备或者正在降落,则立即驱动飞机两边的驱鸟设备,进行驱鸟,人工确认摄像头监控画面,再次确认跑道上是否存在鸟情,存在则通过手持终端,再次远程驱动驱鸟设备,工作人员确认安全后,机场相关人员告知飞行员可以降落。通过KCF跟踪算法,跟踪飞机,以保证飞机降落过程中,不会驱动驱鸟设备。
具体地,实际运用过程,首先通过网络上收集和人工拍摄到数据以及一些开源数据库中,尽可能的收集到各种环境背景下的图像组成数据集,使用标注软件对数据进行标注,使用深度学习网络框架训练目标检测算法,设置训练参数,待损失函数值降到趋于稳定时,将训练模型进行测试和评估,选择最佳模型。设定监控的ROI区域,采用目标检测算法对监控设备采集到的图片进行实时飞机检测,当检测到飞机时,则驱动驱鸟设备进行驱鸟操作,机场人员通过监控视频确认是否存在飞鸟,如果存在飞鸟,则手动通过手持终端,再次驱动驱鸟设备进行驱鸟,确认无鸟情后,机场通知飞行员可以起飞或者降落。通过检测飞机来自动驱动驱鸟设备进行提前几分钟进行驱鸟,而且只需要一人手持终端设备再次确认鸟情,决定是否再次通过手动设备驱动驱鸟设备,而且驱鸟设备也不需要覆盖整个机场布置,只需要在跑道两端安装即可,这种自动驱鸟与人工再次确认驱鸟的双重方式,不但增加了驱鸟的效果,同时也减少的大量的人力以及物力。
上述的主动式驱鸟方法,通过获取指定区域的实时图像,并经过目标检测模型进行检测,以得到检测结果,再从检测结果中判断是否有飞机起飞或降落,当该区域存在飞机起飞或降落,则进行驱鸟,再由人工确认是否驱鸟完成,当驱鸟未完成则采用人工驱鸟,实现在飞机降落或者起飞时候,提前驱鸟,通过监控画面,再次确认鸟情,以降低人力及物力成本,更好地提高飞机起降落的安全性。
图6是本发明实施例提供的一种主动式驱鸟装置300的示意性框图。如图6所示,对应于以上主动式驱鸟方法,本发明还提供一种主动式驱鸟装置300。该主动式驱鸟装置300包括用于执行上述主动式驱鸟方法的单元,该装置可以被配置于服务器中。具体地,请参阅图6,该主动式驱鸟装置300包括实时图像获取单元301、目标检测单元302、判断单元303、跟踪单元304、驱鸟单元305以及确认单元306。
实时图像获取单元301,用于获取实时图像,以得到待检测图像;目标检测单元302,用于将待检测图像输入目标检测模型内进行检测,以得到检测结果;判断单元303,用于判断所述检测结果是否是有飞机存在;跟踪单元304,用于若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;驱鸟单元305,用于根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;确认单元306,用于根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
在一实施例中,上述的主动式驱鸟装置300还包括模型获取单元,用于通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络,以得到目标检测模型。
在一实施例中,所述模型获取单元包括飞机图像获取子单元、标注子单元、网络构建子单元以及训练子单元。
飞机图像获取子单元,用于获取飞机起飞和降落时的图像;标注子单元,用于对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;网络构建子单元,用于构建EfficientDet网络;训练子单元,用于利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
在一实施例中,所述确认单元306还包括驱鸟确认子单元、情况判断子单元、发送子单元以及二次驱鸟子单元。
驱鸟确认子单元,用于根据监控画面再次确认驱鸟情况;情况判断子单元,用于判断所述驱鸟情况是否是驱鸟成功;发送子单元,用于若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;二次驱鸟子单元,用于若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述发送可执行起飞或降落的通知至终端。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述主动式驱鸟装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述主动式驱鸟装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7,图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图7,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种主动式驱鸟方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种主动式驱鸟方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取实时图像,以得到待检测图像;将待检测图像输入目标检测模型内进行检测,以得到检测结果;判断所述检测结果是否是有飞机存在;若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
其中,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的。
在一实施例中,处理器502在实现所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的步骤时,具体实现如下步骤:
获取飞机起飞和降落时的图像;对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;构建EfficientDet网络;利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
在一实施例中,处理器502在实现所述利用样本集对EfficientDet网络进行训练,以得到目标检测模型步骤时,具体实现如下步骤:
设置训练参数;根据训练参数以及样本集对EfficientDet网络进行训练,以得到目标检测模型。
其中,所述目标检测模型的初始学习率为0.01。
在一实施例中,处理器502在实现所述根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端步骤时,具体实现如下步骤:
根据监控画面再次确认驱鸟情况;判断所述驱鸟情况是否是驱鸟成功;若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述发送可执行起飞或降落的通知至终端。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取实时图像,以得到待检测图像;将待检测图像输入目标检测模型内进行检测,以得到检测结果;判断所述检测结果是否是有飞机存在;若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
其中,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的步骤时,具体实现如下步骤:
获取飞机起飞和降落时的图像;对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;构建EfficientDet网络;利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述利用样本集对EfficientDet网络进行训练,以得到目标检测模型步骤时,具体实现如下步骤:
设置训练参数;根据训练参数以及样本集对EfficientDet网络进行训练,以得到目标检测模型。
其中,所述目标检测模型的初始学习率为0.01。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端步骤时,具体实现如下步骤:
根据监控画面再次确认驱鸟情况;判断所述驱鸟情况是否是驱鸟成功;若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述发送可执行起飞或降落的通知至终端。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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,也可以是两个或两个以上单元集成在一个单元中。
该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(可以是个人计算机,终端,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。
以上所述,仅为本发明的具体实施方式,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,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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.主动式驱鸟方法,其特征在于,包括:
获取实时图像,以得到待检测图像;
将待检测图像输入目标检测模型内进行检测,以得到检测结果;
判断所述检测结果是否是有飞机存在;
若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;
根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;
根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端;
其中,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的。
2.根据权利要求1所述的主动式驱鸟方法,其特征在于,所述目标检测模型是通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络所得的,包括:
获取飞机起飞和降落时的图像;
对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;
构建EfficientDet网络;
利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
3.根据权利要求2所述的主动式驱鸟方法,其特征在于,所述利用样本集对EfficientDet网络进行训练,以得到目标检测模型,包括:
设置训练参数;
根据训练参数以及样本集对EfficientDet网络进行训练,以得到目标检测模型。
4.根据权利要求3所述的主动式驱鸟方法,其特征在于,所述目标检测模型的初始学习率为0.01。
5.根据权利要求1所述的主动式驱鸟方法,其特征在于,所述根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端,包括:
根据监控画面再次确认驱鸟情况;
判断所述驱鸟情况是否是驱鸟成功;
若所述驱鸟情况是驱鸟成功,则发送可执行起飞或降落的通知至终端;
若所述驱鸟情况不是驱鸟成功,则进行二次驱鸟操作,并执行所述发送可执行起飞或降落的通知至终端。
6.主动式驱鸟装置,其特征在于,包括:
实时图像获取单元,用于获取实时图像,以得到待检测图像;
目标检测单元,用于将待检测图像输入目标检测模型内进行检测,以得到检测结果;
判断单元,用于判断所述检测结果是否是有飞机存在;
跟踪单元,用于若所述检测结果是有飞机存在,则对所述飞机进行跟踪,以得到跟踪结果;
驱鸟单元,用于根据所述跟踪结果启动对应的驱鸟设备进行驱鸟,并获取监控画面;
确认单元,用于根据监控画面再次确认驱鸟情况,并根据驱鸟情况发送对应的通知至终端。
7.根据权利要求6所述的主动式驱鸟装置,其特征在于,还包括:
模型获取单元,用于通过若干个带有飞机位置标签的图像作为样本集训练卷积神经网络,以得到目标检测模型。
8.根据权利要求7所述的主动式驱鸟装置,其特征在于,所述模型获取单元包括:
飞机图像获取子单元,用于获取飞机起飞和降落时的图像;
标注子单元,用于对飞机起飞和降落时的图像进行飞机位置标签的标注,以得到样本集;
网络构建子单元,用于构建EfficientDet网络;
训练子单元,用于利用样本集对EfficientDet网络进行训练,以得到目标检测模型。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940955.0A CN112084945A (zh) | 2020-09-09 | 2020-09-09 | 主动式驱鸟方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940955.0A CN112084945A (zh) | 2020-09-09 | 2020-09-09 | 主动式驱鸟方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112084945A true CN112084945A (zh) | 2020-12-15 |
Family
ID=73731681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010940955.0A Pending CN112084945A (zh) | 2020-09-09 | 2020-09-09 | 主动式驱鸟方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084945A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684887A (zh) * | 2020-12-28 | 2021-04-20 | 展讯通信(上海)有限公司 | 应用设备及其隔空手势识别方法 |
CN113283409A (zh) * | 2021-07-23 | 2021-08-20 | 中国人民解放军国防科技大学 | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 |
CN117502422A (zh) * | 2024-01-06 | 2024-02-06 | 河北恒益分析仪器有限公司 | 一种智能驱鸟器控制方法、装置、设备及介质 |
CN117953433A (zh) * | 2024-03-26 | 2024-04-30 | 北京创元成业科技有限公司 | 一种基于图像数据处理的驱鸟器运行监管方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0759504A (ja) * | 1993-08-20 | 1995-03-07 | Kobe Mechatronics Kk | 空港の野鳥追い払い装置 |
US20100109936A1 (en) * | 2006-11-28 | 2010-05-06 | Israel Aerospace Industries Ltd. | Aircraft anti-collision system and method |
US20110047112A1 (en) * | 2009-08-13 | 2011-02-24 | Deutsche Telekom Ag | Method for Detecting Airplane Flight Events, Mobile Communication Device, and Computational Unit Therefor |
KR20120035275A (ko) * | 2010-10-05 | 2012-04-16 | 김춘산 | 항공기 이착륙 성능향상장치 |
CN102524237A (zh) * | 2012-01-11 | 2012-07-04 | 桂林电子科技大学 | 一种飞机场鸟情监控驱鸟系统及方法 |
CN108764082A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种飞机目标检测方法、电子设备、存储介质及系统 |
CN209121093U (zh) * | 2018-07-20 | 2019-07-19 | 民航中南空管设备工程公司 | 机场鸟情探测处理系统 |
KR102116468B1 (ko) * | 2019-11-28 | 2020-05-28 | 주식회사 세영 | 센서와 통신망을 이용한 활주로 유해 조수 퇴치장치 |
-
2020
- 2020-09-09 CN CN202010940955.0A patent/CN112084945A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0759504A (ja) * | 1993-08-20 | 1995-03-07 | Kobe Mechatronics Kk | 空港の野鳥追い払い装置 |
US20100109936A1 (en) * | 2006-11-28 | 2010-05-06 | Israel Aerospace Industries Ltd. | Aircraft anti-collision system and method |
US20110047112A1 (en) * | 2009-08-13 | 2011-02-24 | Deutsche Telekom Ag | Method for Detecting Airplane Flight Events, Mobile Communication Device, and Computational Unit Therefor |
KR20120035275A (ko) * | 2010-10-05 | 2012-04-16 | 김춘산 | 항공기 이착륙 성능향상장치 |
CN102524237A (zh) * | 2012-01-11 | 2012-07-04 | 桂林电子科技大学 | 一种飞机场鸟情监控驱鸟系统及方法 |
CN108764082A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种飞机目标检测方法、电子设备、存储介质及系统 |
CN209121093U (zh) * | 2018-07-20 | 2019-07-19 | 民航中南空管设备工程公司 | 机场鸟情探测处理系统 |
KR102116468B1 (ko) * | 2019-11-28 | 2020-05-28 | 주식회사 세영 | 센서와 통신망을 이용한 활주로 유해 조수 퇴치장치 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684887A (zh) * | 2020-12-28 | 2021-04-20 | 展讯通信(上海)有限公司 | 应用设备及其隔空手势识别方法 |
CN113283409A (zh) * | 2021-07-23 | 2021-08-20 | 中国人民解放军国防科技大学 | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 |
CN117502422A (zh) * | 2024-01-06 | 2024-02-06 | 河北恒益分析仪器有限公司 | 一种智能驱鸟器控制方法、装置、设备及介质 |
CN117502422B (zh) * | 2024-01-06 | 2024-04-02 | 河北恒益分析仪器有限公司 | 一种智能驱鸟器控制方法、装置、设备及介质 |
CN117953433A (zh) * | 2024-03-26 | 2024-04-30 | 北京创元成业科技有限公司 | 一种基于图像数据处理的驱鸟器运行监管方法及系统 |
CN117953433B (zh) * | 2024-03-26 | 2024-06-04 | 北京创元成业科技有限公司 | 一种基于图像数据处理的驱鸟器运行监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084945A (zh) | 主动式驱鸟方法、装置、计算机设备及存储介质 | |
Al-Thani et al. | Drones for sheep livestock monitoring | |
McIntosh et al. | Looking without landing—using remote piloted aircraft to monitor fur seal populations without disturbance | |
CN108710126A (zh) | 自动化探测驱逐目标方法及其系统 | |
TWI794516B (zh) | 透過空中交通管理電子系統的用於空中管理的訓練和/或輔助平台及方法 | |
CN111709372A (zh) | 驱鸟方法、装置、计算机设备及存储介质 | |
Montanari et al. | Surveying areas in developing regions through context aware drone mobility | |
Naude et al. | The Aerial Elephant Dataset: A New Public Benchmark for Aerial Object Detection. | |
US20160037133A1 (en) | Real-time management of data relative to an aircraft's flight test | |
Bugaj et al. | Unmanned aerial vehicles and their use for aircraft inspection | |
CN111898444A (zh) | 一种基于图像识别的飞机起落架状态判定方法 | |
WO2022247597A1 (zh) | 一种基于无人机的papi飞行校验方法和系统 | |
CN108229467B (zh) | 解译遥感图像的方法、装置和电子设备 | |
CN113744230B (zh) | 一种基于无人机视觉的飞机蒙皮损伤智能检测方法 | |
Bakirci et al. | Transforming aircraft detection through LEO satellite imagery and YOLOv9 for improved aviation safety | |
CN112861737A (zh) | 一种基于图像暗通道与YoLov3的森林火灾烟雾检测方法 | |
US20180197301A1 (en) | System and method for detecting and analyzing airport activity | |
US20220383758A1 (en) | Systems and methods for bulk aircraft data simulator and comparison tool | |
CN114240901A (zh) | 一种机场道面异常状态实时检测方法和系统 | |
CN112633375A (zh) | 鸟类检测方法、装置、计算机设备及存储介质 | |
CN111902851B (zh) | 学习用数据生成方法、学习用数据生成装置以及学习用数据生成程序 | |
CN109137706B (zh) | 自动打印方法及装置 | |
CN115131717B (zh) | 一种基于图像分析的预警方法及系统 | |
Rave | Edge Processing of Image for UAS Sense and Avoidance | |
CN115113636B (zh) | 控制航空器自主降落至舰船的方法、系统、存储介质及计算设备 |
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 |