CN113243354A - 一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 - Google Patents
一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 Download PDFInfo
- Publication number
- CN113243354A CN113243354A CN202110731284.1A CN202110731284A CN113243354A CN 113243354 A CN113243354 A CN 113243354A CN 202110731284 A CN202110731284 A CN 202110731284A CN 113243354 A CN113243354 A CN 113243354A
- Authority
- CN
- China
- Prior art keywords
- bird
- image information
- artificial intelligence
- laser
- computer vision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000005516 engineering process Methods 0.000 title claims abstract description 47
- 230000001846 repelling effect Effects 0.000 title claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002940 repellent Effects 0.000 claims 2
- 239000005871 repellent Substances 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005276 aerator Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N20/00—Machine learning
Abstract
本发明实施例提供一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置，属于智能化设备技术领域。所述基于计算机视觉算法和人工智能技术的激光驱鸟方法包括：获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。本发明可以自动识别鸟类的飞行及眼睛位置，并精准发送绿光达到驱鸟的目的。
Description
技术领域
本发明涉及智能化设备技术领域，具体地涉及一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置。
背景技术
近年来，随着生态环境的改善和人民保护鸟类意识的提高，鸟类越来越多，这给世界各国军民用航空业带来了灾难。飞机在起飞或降落机场时，鸟类极容易被吸入飞机发动机，打坏发动机的叶片，从而严重影响航空安全。因此鸟类是影响飞行安全的最主要的隐患之一。
为了保护航空安全，维护乘客的财产和生命安全，机场采取了各种各样的驱鸟措施。如：驱鸟稻草人、充气人、炮竹弹、爆音驱鸟、煤气炮、驱鸟剂、驱鸟枪、驱鸟猎鹰、驱鸟车等各种各样的手段，这些手段都起到了一定的效果。近年来，由法国洛德工程公司研制的一种自动激光驱鸟器占据了驱鸟业的市场。经过时间的验证，这种驱鸟设备是自动激光驱鸟方式能降低军民用航空业42％的鸟类危害。但是，这是一种大型的激光驱鸟设备，需要通过人工管理去进行操作。即需要人为的去改动参数及数据，但是，通过人员去特定的修改会有所误差。虽然已投入了大量的人力物力，但是直到目前为止，鸟类入侵机场的问题一直也没有得到根本的解决方法，驱鸟也成为世界性的难题。
发明内容
本发明实施例的目的是提供一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置，该基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置可以自动识别鸟类的飞行及眼睛位置，并精准发送绿光达到驱鸟的目的。
为了实现上述目的，本发明实施例提供一种基于计算机视觉算法和人工智能技术的激光驱鸟方法，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法包括：
获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；
基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；
基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
优选地，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
优选地，所述基于深度机器学习模型确定所述图像信息中的鸟类轮廓包括：
对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及
对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
优选地，对降噪后的所述原始图像信息进行模糊图像二值化处理的方法包括：
将所述降噪后的所述原始图像信息中所示出的小于预设像素阈值的像素设置为0；以及
将所述降噪后的所述原始图像信息中所示出的大于或等于预设像素阈值的像素设置为255。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法还包括：
在接收到来自红外探头的热光源时，执行所述获取包含有鸟类的图像信息的步骤。
另外，本发明还提供一种的基于计算机视觉算法和人工智能技术的激光驱鸟装置，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置包括：
轮廓确定单元，用于获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；
头部确定单元，用于基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；以及
鸟类驱散单元，用于基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
优选地，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
优选地，所述轮廓确定单元包括：
预处理模块，用于对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及
轮廓确定模块，用于对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：启动单元，用于在接收到来自红外探头的热光源时，启动所述鸟类驱散单元、头部确定单元以及轮廓确定单元；以及
在未接收到来自所述红外探头的热光源时，控制所述鸟类驱散单元、头部确定单元以及轮廓确定单元处于待机状态。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：远程操控模块，用于接收来自操作人员的操作信号，控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类。
另外，本发明还提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：如上述的基于计算机视觉算法和人工智能技术的激光驱鸟方法。
通过上述技术方案，利用鸟类对预设波长的绿光的不适性，驱鸟仪发射绿色激光，采用人工智能技术，有效识别飞鸟与其他人事物，并快速对鸟类进行跟踪，精准高效的驱使鸟类远离工作范围。本发明将自动调用激光发射器，发出一束醒目的对视觉安全的二级绿色激光，采用全新的视觉人工技术，自动追踪鸟类，鸟控人员还可随时远程更改激光束的扫描速度、角度及激光功率，利用鸟类对预设的波长的绿光的不适应性进行驱鸟，使鸟类远离驱鸟器所覆盖的范围，使鸟类防不胜防，不留任何产生适应性的机会。利用计算机通过互联网或以太网可实现远程操控，以便达到最佳驱鸟效果
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是说明本发明的一种基于计算机视觉算法和人工智能技术的激光驱鸟方法的流程图；
图2是说明本发明的基于计算机视觉算法和人工智能技术的激光驱鸟的一种实施例的流程图；以及
图3是说明本发明的另一种实施例的模块框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
实施例1
图1是本发明的实施例1中的一种基于计算机视觉算法和人工智能技术的激光驱鸟方法的流程图，如图1所示，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法包括：
S101，获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓。
其中，所述深度学习模型是人工智能领域的一个分支，物体的识别主要指的是对三维世界的客体及环境的感知和认识，AI图像识别技术的过程。图像识别技术的产生是基于人工智能的基础上，进行深度学习。其技术的原理是构建一个网络并且随机初始化所有连接的权重，将大量的数据情况输出到这个网络中，网络处理这些动作并且进行学习。如果这个动作符合指定的动作，将会增强权重，如果不符合，将会降低权重。系统通过如上过程调整权重，在成千上万次的学习之后，超过人类。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。计算机从图像中识别出物体、场景和活动的能力。计算机视觉有着广泛的细分应用，其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被支付宝或网上一些自助服务用来自动识别照片里的人物。同时在安防及监控领域，也有很多的应用。
本发明的计算机视觉算法可以认为有如下的步骤：
1、获取信息，主要是指将声音和光等信息通过传感器向电信号转换，也就是对识别对象的基本信息进行获取，并将其向计算机可识别的信息转换；
(利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物)。
2、信息预处理，主要是指采用去噪、变换及平滑等操作对图像进行处理，基于此使图像的重要特点提高；
(基于非线性降维的图像识别技术为使计算机的图像识别性能更为高效，采用随图像降维方法就是一种最直接而有效的方法。一般情况下，可对降维划分为非线性降维与线性降维两类，比如最普遍的线性降维方式就是主成分分与线性奇异分析等，该方式的特点是简单、理解更容易等，再对数据集合采用线性降维方式处理求解的投影图像使该数据集合的低维最优。)
3、抽取及选择特征，主要是指在模式识别中，抽取及选择图像特征，概括而言就是识别图像具有种类多样的特点，如采用一定方式分离，就要识别图像的特征，获取特征也被称为特征抽取。(主要运用图像识别算法，利用计算机对图像进行处理、分析和理解，采用对图像重要特征的分类和提取，并有效排除无用的多余特征，进而使图像识别得以实现以识别各种不同模式的目标和对像，有效识别飞鸟与其他事物。
目前，基于神经网络的图像识别是一种比较新型的技术，是以传统图像识别方式为基础，有效融合神经网络算法。在此，神经网络主要是指人工神经网络，换而言之就是本文中的神经网络不是动物体的神经网络，而主要是指人类采用人工模拟动物神经网络方式的一种神经网络。针对基于神经网络的图像识别技术，目前，在基于神经网络的图像识别技术中，遗传算法有效结合BP神经网络是最经典的一种模型，该模型可在诸多领域中进行应用。诸如智能汽车监控中采用的拍照识别技术，若有汽车从该位置经过时，检测设备将产生相应的反应，检测设备启动图像采集装置，获取汽车正反面的特征图像，在对车牌字符进行识别的过程中，就采用了基于神经网络和模糊匹配的两类算法。
优选地，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
S102，基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置。
S103，基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
优选地，所述基于深度机器学习模型确定所述图像信息中的鸟类轮廓包括：对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
优选地，对降噪后的所述原始图像信息进行模糊图像二值化处理的方法包括：将所述降噪后的所述原始图像信息中所示出的小于预设像素阈值(90)的像素设置为0；以及将所述降噪后的所述原始图像信息中所示出的大于或等于预设像素阈值的像素设置为255。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法还包括：在接收到来自红外探头的热光源时，执行所述获取包含有鸟类的图像信息的步骤。
实施例2
实施例2是本发明的一种基于计算机视觉算法和人工智能技术的激光驱鸟装置，如图3所示，本发明的激光驱鸟装置包括：轮廓确定单元，用于获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；头部确定单元，用于基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；以及鸟类驱散单元，用于基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
其中，所述获取包含有鸟类的图像信息是在摄像头拍摄的同时，将采集到的图片读取图像、转为灰度图像并降噪，后用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，执行4次形态学腐蚀与膨胀，然后基于主成分分析(PCA，principalcomponent analysis)进行分析，即经过大数据鸟类照片深度机器学习的OpenCV进行鸟类识别，即可在取得鸟类轮廓，后根据飞行方向，判断鸟类头部位置，发射波长为532nm的绿色激光，从而达到驱鸟的目的。
优选地，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
优选地，所述轮廓确定单元包括：预处理模块，用于对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及轮廓确定模块，用于对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：启动单元，用于在接收到来自红外探头的热光源时，启动所述鸟类驱散单元、头部确定单元以及轮廓确定单元；以及在未接收到来自所述红外探头的热光源时，控制所述鸟类驱散单元、头部确定单元以及轮廓确定单元处于待机状态。其中，待机状态为低功率查询，较为节省电量。该装置的具体框图结构如图3所示。
优选地，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：远程操控模块，用于接收来自操作人员的操作信号，控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述基于计算机视觉算法和人工智能技术的激光驱鸟方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于计算机视觉算法和人工智能技术的激光驱鸟方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：基于计算机视觉算法和人工智能技术的激光驱鸟方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：基于计算机视觉算法和人工智能技术的激光驱鸟方法。
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实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于计算机视觉算法和人工智能技术的激光驱鸟方法，其特征在于，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法包括：
获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；
基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；
基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
2.根据权利要求1所述的基于计算机视觉算法和人工智能技术的激光驱鸟方法，其特征在于，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
3.根据权利要求2所述的基于计算机视觉算法和人工智能技术的激光驱鸟方法，其特征在于，所述基于深度机器学习模型确定所述图像信息中的鸟类轮廓包括：
对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及
对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
4.根据权利要求3所述的基于计算机视觉算法和人工智能技术的激光驱鸟方法，其特征在于，对降噪后的所述原始图像信息进行模糊图像二值化处理的方法包括：
将所述降噪后的所述原始图像信息中所示出的小于预设像素阈值的像素设置为0；以及
将所述降噪后的所述原始图像信息中所示出的大于或等于预设像素阈值的像素设置为255。
5.根据权利要求1所述的基于计算机视觉算法和人工智能技术的激光驱鸟方法，其特征在于，所述基于计算机视觉算法和人工智能技术的激光驱鸟方法还包括：
在接收到来自红外探头的热光源时，执行所述获取包含有鸟类的图像信息的步骤。
6.一种的基于计算机视觉算法和人工智能技术的激光驱鸟装置，其特征在于，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置包括：
轮廓确定单元，用于获取包含有鸟类的图像信息，基于深度机器学习模型确定所述图像信息中的鸟类轮廓；
头部确定单元，用于基于多帧所述图像信息及其对应的鸟类轮廓确定所述鸟类的飞行方向，并基于所述飞行方向和所述鸟类轮廓确定所述鸟类的头部位置；以及
鸟类驱散单元，用于基于所述人工智能技术控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类，其中所述预设波长被配置为所述鸟类不适应的光的波长。
7.根据权利要求6所述的基于计算机视觉算法和人工智能技术的激光驱鸟装置，其特征在于，所述包含有鸟类的图像信息被配置为声音信息和光信息对应的原始图像信息。
8.根据权利要求7所述的基于计算机视觉算法和人工智能技术的激光驱鸟装置，其特征在于，所述轮廓确定单元包括：
预处理模块，用于对所述原始图像信息进行降噪处理以及模糊图像二值化处理得到处理后图像信息；以及
轮廓确定模块，用于对所述处理后图像信息进行特征的选择以确定所述图像信息中的鸟类轮廓。
9.根据权利要求7所述的基于计算机视觉算法和人工智能技术的激光驱鸟装置，其特征在于，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：启动单元，用于在接收到来自红外探头的热光源时，启动所述鸟类驱散单元、头部确定单元以及轮廓确定单元；以及
在未接收到来自所述红外探头的热光源时，控制所述鸟类驱散单元、头部确定单元以及轮廓确定单元处于待机状态。
10.根据权利要求6所述的基于计算机视觉算法和人工智能技术的激光驱鸟装置，其特征在于，所述基于计算机视觉算法和人工智能技术的激光驱鸟装置还包括：远程操控模块，用于接收来自操作人员的操作信号，控制预设波长的激光朝向所述鸟类的头部位置以驱散所述鸟类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110731284.1A CN113243354A (zh) | 2021-06-30 | 2021-06-30 | 一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110731284.1A CN113243354A (zh) | 2021-06-30 | 2021-06-30 | 一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113243354A true CN113243354A (zh) | 2021-08-13 |
Family
ID=77190217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110731284.1A Pending CN113243354A (zh) | 2021-06-30 | 2021-06-30 | 一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113243354A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023219073A1 (ja) * | 2022-05-11 | 2023-11-16 | 合同会社なんま獣医学研究所 | 害獣駆除装置及び害獣駆除方法 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107087144A (zh) * | 2017-05-13 | 2017-08-22 | 西安费斯达自动化工程有限公司 | 全景与精准图像/球冠可变励磁鸟鸣声一体化探测系统 |
| CN109077050A (zh) * | 2018-08-23 | 2018-12-25 | 武汉腾路智行科技有限公司 | 一种基于机器视觉的驱鸟系统 |
| US20190110461A1 (en) * | 2017-10-14 | 2019-04-18 | Paul Caskey | Method and apparatus for identifying, locating and scaring away birds |
| CN110063326A (zh) * | 2019-04-30 | 2019-07-30 | 济南浪潮高新科技投资发展有限公司 | 基于卷积神经网络的智能驱鸟方法 |
| CN110692619A (zh) * | 2019-11-01 | 2020-01-17 | 山东中实易通集团有限公司 | 基于边缘计算的视频监控-激光驱鸟一体化装置及方法 |
| JP2020058256A (ja) * | 2018-10-05 | 2020-04-16 | 株式会社ＣｒｏｗＬａｂ | 害鳥忌避装置 |
| CN211881929U (zh) * | 2019-08-29 | 2020-11-10 | 中科传启（苏州）科技有限公司 | 一种驱鸟装置 |
-
2021
- 2021-06-30 CN CN202110731284.1A patent/CN113243354A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107087144A (zh) * | 2017-05-13 | 2017-08-22 | 西安费斯达自动化工程有限公司 | 全景与精准图像/球冠可变励磁鸟鸣声一体化探测系统 |
| US20190110461A1 (en) * | 2017-10-14 | 2019-04-18 | Paul Caskey | Method and apparatus for identifying, locating and scaring away birds |
| CN109077050A (zh) * | 2018-08-23 | 2018-12-25 | 武汉腾路智行科技有限公司 | 一种基于机器视觉的驱鸟系统 |
| JP2020058256A (ja) * | 2018-10-05 | 2020-04-16 | 株式会社ＣｒｏｗＬａｂ | 害鳥忌避装置 |
| CN110063326A (zh) * | 2019-04-30 | 2019-07-30 | 济南浪潮高新科技投资发展有限公司 | 基于卷积神经网络的智能驱鸟方法 |
| CN211881929U (zh) * | 2019-08-29 | 2020-11-10 | 中科传启（苏州）科技有限公司 | 一种驱鸟装置 |
| CN110692619A (zh) * | 2019-11-01 | 2020-01-17 | 山东中实易通集团有限公司 | 基于边缘计算的视频监控-激光驱鸟一体化装置及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023219073A1 (ja) * | 2022-05-11 | 2023-11-16 | 合同会社なんま獣医学研究所 | 害獣駆除装置及び害獣駆除方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wiyatno et al. | Physical adversarial textures that fool visual object tracking | |
| CN109271921B (zh) | 一种多光谱成像的智能识别方法及系统 | |
| CN105701444B (zh) | 用于确定道路表面的状况的系统和方法 | |
| CN113243354A (zh) | 一种基于计算机视觉算法和人工智能技术的激光驱鸟方法、装置 | |
| Ruban et al. | Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method | |
| US20200320294A1 (en) | Artificial intelligence based plantable blank spot detection | |
| CN112149514A (zh) | 一种施工作业人员的安全着装检测方法及系统 | |
| CN113989702A (zh) | 一种目标识别方法和装置 | |
| CN112528817A (zh) | 一种基于神经网络的巡检机器人视觉检测及跟踪方法 | |
| CN106326850A (zh) | 快速车道线检测方法 | |
| Sahu et al. | A novel parameter adaptive dual channel MSPCNN based single image dehazing for intelligent transportation systems | |
| Kaur | A review on image enhancement with deep learning approach | |
| CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
| Sreedevi et al. | Wild Animal Detection using Deep learning | |
| Kiran et al. | Weapon Detection using Artificial Intelligence and Deep Learning for Security Applications | |
| Qi et al. | Extraction and Classification of Image Features for Fire Recognition Based on Convolutional Neural Network. | |
| Neupane et al. | A literature review of computer vision techniques in wildlife monitoring | |
| CN113359847B (zh) | 基于无线电遥感技术的无人机反制方法、系统和存储介质 | |
| Archana et al. | Artificial Neural Network Based Image Processing for Wild Animal Detection and Monitoring | |
| Munian et al. | Design and Implementation of a Nocturnal Animal Detection Intelligent System in Transportation Applications | |
| Muragod et al. | Animal Intrusion Detection using various Deep Learning Models | |
| Rajavarshini et al. | Comparative analysis of image processing techniques for obstacle avoidance and path deduction | |
| Premarathna et al. | CNN based image detection system for elephant directions to reduce human-elephant conflict | |
| Ancuţa et al. | Fire detection algorithms used by a heterogeneous multi-agent system | |
| Linder et al. | A Smart Surveillance System Using Edge-Devices for Wildlife Preservation in Animal Sanctuaries |
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: 20210813 |