CN113792604A - 基于人工智能特征图分割的老鼠检测算法 - Google Patents
基于人工智能特征图分割的老鼠检测算法 Download PDFInfo
- Publication number
- CN113792604A CN113792604A CN202110934961.XA CN202110934961A CN113792604A CN 113792604 A CN113792604 A CN 113792604A CN 202110934961 A CN202110934961 A CN 202110934961A CN 113792604 A CN113792604 A CN 113792604A
- Authority
- CN
- China
- Prior art keywords
- mouse
- detection
- sub
- frame
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 238000010586 diagram Methods 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 36
- 241000699670 Mus sp. Species 0.000 description 5
- 241000283984 Rodentia Species 0.000 description 3
- 241000124008 Mammalia Species 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000699729 Muridae Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人工智能特征图分割的老鼠检测算法,涉及老鼠检测技术领域,包括以下步骤:S1:用于获取图像数据信息的步骤;该基于人工智能特征图分割的老鼠检测算法,首先将第一帧图像划分成若干个图像块,接着对包含老鼠特征的图像块进行标注,然后将处理好的待测图像输入卷积神经网络模型中进行运算,若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,从而能够先确定是否有疑似老鼠的检测目标,从而提高了检测的效率,然后将第一帧后的四帧图像数据分割成子特征图,然后通过目标位置模型检测分析子特征图,根据检测目标在子特征图的位置,判断检测目标是否出现移动,从而判断检测目标是否为老鼠,从而提高了检测的准确性。
Description
技术领域
本发明涉及老鼠检测技术领域,具体为基于人工智能特征图分割的老鼠检测算法。
背景技术
老鼠是哺乳纲、啮齿目、鼠科的啮齿类动物,俗称“耗子”,繁殖方式是胎生,是哺乳动物中繁殖最快、生存能力很强的动物。全世界有鼠类大约480种,无论室内、野外都可以看到它们的足迹。老鼠常出没于下水道、厕所、厨房、杂物堆、垃圾堆放处等处,在带菌场所与干净场所来回行动,经由鼠脚、体毛及胃携带物来传播病原菌。在检测老鼠时,往往将干扰物错认为老鼠,从而使得老鼠检测的准确度较低。
发明内容
针对现有技术的不足,本发明提供了基于人工智能特征图分割的老鼠检测算法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于人工智能特征图分割的老鼠检测算法,包括以下步骤:
S1:用于获取图像数据信息的步骤;
S2:用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤;
S3:用于对包含老鼠特征的图像块进行标注的步骤;
S4:用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤;
S5:用于提取采集到图像数据中第一帧后的四帧图像数据的步骤;
S6:用于将每帧图像均分割成子特征图的步骤;
S7:用于将子特征图依次输入至目标位置模型中判断目标位置的步骤。
可选的,所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤包括:
S41:用于对计算出的分数与预设设定分数进行比对的步骤;
S42:用于若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,然后进行下一步的步骤;
S43:用于若计算出的分数小于预设设定分数,则说明没有疑似老鼠的检测目标,不进行下一步的步骤。
可选的,所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中子特征图按照位置顺序以及时间顺序依次输入至目标位置模型中判断目标位置。
可选的,所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中通过分析检测目标在四帧子特征图中的位置判断检测目标是否为老鼠。
可选的,所述S6用于将每帧图像均分割成子特征图的步骤中分割出的子特征图中每个子特征图所代表的位置均不同,将同一帧子特征图融合所形成的总特征图能够表示整个检测区域。
可选的,所述S2用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤与S5用于提取采集到图像数据中第一帧后的四帧图像数据的步骤中将提取出的每帧图像进行降噪处理。
可选的,所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤中卷积神经网络模型的通过采用训练样本进行训练,计算老鼠特征图像的输出误差,设定好相应的特征图像块的分数,优化卷积神经网络模型。
本发明提供了基于人工智能特征图分割的老鼠检测算法,具备以下有益效果:
该基于人工智能特征图分割的老鼠检测算法,首先将第一帧图像划分成若干个图像块,接着对包含老鼠特征的图像块进行标注,然后将处理好的待测图像输入卷积神经网络模型中进行运算,若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,从而能够先确定是否有疑似老鼠的检测目标,从而提高了检测的效率,然后将第一帧后的四帧图像数据分割成子特征图,然后通过目标位置模型检测分析子特征图,根据检测目标在子特征图的位置,判断检测目标是否出现移动,从而判断检测目标是否为老鼠,从而提高了检测的准确性。
附图说明
图1为本发明步骤图;
图2为本发明实施例所提供的基于人工智能特征图分割的老鼠检测算法中所述S4用于通过卷积神经网络模型判断是否存在老鼠,从而确定检测目标的步骤图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例
如图1至图2,本实施例提供基于人工智能特征图分割的老鼠检测算法,包括以下步骤:
S1:用于获取图像数据信息的步骤;
S2:用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤;
S3:用于对包含老鼠特征的图像块进行标注的步骤;
S4:用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤;
S5:用于提取采集到图像数据中第一帧后的四帧图像数据的步骤;
S6:用于将每帧图像均分割成子特征图的步骤;
S7:用于将子特征图依次输入至目标位置模型中判断目标位置的步骤。
本领域技术人员可以理解为,上述实施例提供的基于人工智能特征图分割的老鼠检测算法,首先获取图像数据信息,然后从图像数据信息提取一段图像,然后提取出来一段图像中某帧提取出来,此帧即为第一帧,然后将提取出的第一帧图像进行降噪处理,接着将优化好的第一帧图像划分成若干个图像块,接着对包含老鼠特征的图像块进行标注,然后将处理好的待测图像输入卷积神经网络模型中进行运算,若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,若计算出的分数小于预设设定分数,则说明没有疑似老鼠的检测目标,若经过S4用于通过卷积神经网络模型判断是否存在老鼠,从而确定检测目标的步骤得到获取图像数据信息中存在疑似老鼠物体时,将获取图像数据信息中第一帧后的四帧图像数据提取出来,将四帧图像中每帧图像均分割成子特征图,一帧图像分割出的子特征图中每个子特征图所代表的位置均不同,将同一帧子特征图融合所形成的总特征图能够表示整个检测区域,例如一帧图像分割成八个子特征图,八个子特征图分别位于一帧图像中的不同位置,每帧图像均按照此位置进行分割,使得前一帧分割出的a子特征图与后一帧分割出的a自特征图代表的位置相同,然后将子特征图按照位置顺序以及时间顺序依次输入至目标位置模型中,通过分析检测目标在四帧子特征图中的位置判断检测目标,若检测目标从前一帧中的某一子特征图的位置出现在后一帧另一块子特征图的位置,以此类推,此时判断检测目标移动,则说明检测目标为老鼠,若检测目标从前一帧中的某一子特征图的位置出现在后一帧对应的子特征图的位置,以此类推,则说明检测目标不是老鼠。
进一步,所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤包括:
S41:用于对计算出的分数与预设设定分数进行比对的步骤;
S42:用于若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,然后进行下一步的步骤;
S43:用于若计算出的分数小于预设设定分数,则说明没有疑似老鼠的检测目标,不进行下一步的步骤。
本领域技术人员可以理解为,将待测图像输入卷积神经网络模型中进行运算,若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,若计算出的分数小于预设设定分数,则说明没有疑似老鼠的检测目标。
进一步,所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中子特征图按照位置顺序以及时间顺序依次输入至目标位置模型中判断目标位置。
本领域技术人员可以理解为,方便目标位置模型能够方便快速的通过输入的子特征图判断检测物体是否为老鼠。
进一步,所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中通过分析检测目标在四帧子特征图中的位置判断检测目标是否为老鼠。
本领域技术人员可以理解为,根据检测物体出现在四帧子特征图中的位置判断检测目标是否为老鼠,从而提高了老鼠检测的准确性。
进一步,所述S6用于将每帧图像均分割成子特征图的步骤中分割出的子特征图中每个子特征图所代表的位置均不同,将同一帧子特征图融合所形成的总特征图能够表示整个检测区域。
本领域技术人员可以理解为,将一帧图像分割成若干个子特征图,若干个子特征图分别位于一帧图像中的不同位置,每帧图像均按照此位置进行分割,使得前一帧分割出的a子特征图与后一帧分割出的a自特征图代表的位置相同。
进一步,所述S2用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤与S5用于提取采集到图像数据中第一帧后的四帧图像数据的步骤中将提取出的每帧图像进行降噪处理。
本领域技术人员可以理解为,方便对包含老鼠特征的图像块进行标注,同时方便目标位置模型对子特征图进行分析,提高了老鼠检测的效率。
进一步,所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤中卷积神经网络模型的通过采用训练样本进行训练,计算老鼠特征图像的输出误差,设定好相应的特征图像块的分数,优化卷积神经网络模型。
本领域技术人员可以理解为,使得卷积神经网络模型能够进行深度学习,能够优化卷积神经网络模型,使得检测准确度较高。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于人工智能特征图分割的老鼠检测算法,其特征在于:包括以下步骤:
S1:用于获取图像数据信息的步骤;
S2:用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤;
S3:用于对包含老鼠特征的图像块进行标注的步骤;
S4:用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤;
S5:用于提取采集到图像数据中第一帧后的四帧图像数据的步骤;
S6:用于将每帧图像均分割成子特征图的步骤;
S7:用于将子特征图依次输入至目标位置模型中判断目标位置的步骤。
2.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤包括:
S41:用于对计算出的分数与预设设定分数进行比对的步骤;
S42:用于若计算出的分数大于预设设定分数,则说明有疑似老鼠的检测目标,然后进行下一步的步骤;
S43:用于若计算出的分数小于预设设定分数,则说明没有疑似老鼠的检测目标,不进行下一步的步骤。
3.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中子特征图按照位置顺序以及时间顺序依次输入至目标位置模型中判断目标位置。
4.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S7用于将子特征图依次输入至目标位置模型中判断目标位置的步骤中通过分析检测目标在四帧子特征图中的位置判断检测目标是否为老鼠。
5.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S6用于将每帧图像均分割成子特征图的步骤中分割出的子特征图中每个子特征图所代表的位置均不同,将同一帧子特征图融合所形成的总特征图能够表示整个检测区域。
6.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S2用于将接收到的图像数据中的第一帧划分成若干个图像块的步骤与S5用于提取采集到图像数据中第一帧后的四帧图像数据的步骤中将提取出的每帧图像进行降噪处理。
7.根据权利要求1所述的基于人工智能特征图分割的老鼠检测算法,其特征在于:所述S4用于通过卷积神经网络模型判断是否存在疑似老鼠的检测目标,从而确定检测目标的步骤中卷积神经网络模型的通过采用训练样本进行训练,计算老鼠特征图像的输出误差,设定好相应的特征图像块的分数,优化卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934961.XA CN113792604A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能特征图分割的老鼠检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934961.XA CN113792604A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能特征图分割的老鼠检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792604A true CN113792604A (zh) | 2021-12-14 |
Family
ID=79181742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934961.XA Pending CN113792604A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能特征图分割的老鼠检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792604A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946530A (zh) * | 2012-11-27 | 2013-02-27 | 北京恒华伟业科技股份有限公司 | 视频的传输方法和装置以及视频的播放方法和装置 |
CN108259830A (zh) * | 2018-01-25 | 2018-07-06 | 深圳冠思大数据服务有限公司 | 基于云服务器的鼠患智能监控系统和方法 |
CN109146916A (zh) * | 2018-08-22 | 2019-01-04 | 浙江大华技术股份有限公司 | 一种运动物体跟踪方法及装置 |
CN111062303A (zh) * | 2019-12-12 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 图像处理方法、系统及计算机存储介质 |
CN111951328A (zh) * | 2020-08-05 | 2020-11-17 | 清华大学苏州汽车研究院(吴江) | 一种物体位置检测方法、装置、设备和存储介质 |
CN112016537A (zh) * | 2020-10-27 | 2020-12-01 | 成都考拉悠然科技有限公司 | 一种基于计算机视觉的综合检测老鼠的方法 |
-
2021
- 2021-08-16 CN CN202110934961.XA patent/CN113792604A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946530A (zh) * | 2012-11-27 | 2013-02-27 | 北京恒华伟业科技股份有限公司 | 视频的传输方法和装置以及视频的播放方法和装置 |
CN108259830A (zh) * | 2018-01-25 | 2018-07-06 | 深圳冠思大数据服务有限公司 | 基于云服务器的鼠患智能监控系统和方法 |
CN109146916A (zh) * | 2018-08-22 | 2019-01-04 | 浙江大华技术股份有限公司 | 一种运动物体跟踪方法及装置 |
CN111062303A (zh) * | 2019-12-12 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 图像处理方法、系统及计算机存储介质 |
CN111951328A (zh) * | 2020-08-05 | 2020-11-17 | 清华大学苏州汽车研究院(吴江) | 一种物体位置检测方法、装置、设备和存储介质 |
CN112016537A (zh) * | 2020-10-27 | 2020-12-01 | 成都考拉悠然科技有限公司 | 一种基于计算机视觉的综合检测老鼠的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN111798416B (zh) | 基于病理图像与深度学习的肾小球智能检测方法及系统 | |
CN110427807B (zh) | 一种时序事件动作检测方法 | |
Schmid et al. | The LOKI underwater imaging system and an automatic identification model for the detection of zooplankton taxa in the Arctic Ocean | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
EP2927871A1 (en) | Method and device for calculating number of pedestrians and crowd movement directions | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN110147753A (zh) | 一种检测图像中小物体的方法及装置 | |
CN112182269B (zh) | 图像分类模型的训练、图像分类方法、装置、设备及介质 | |
CN109242826B (zh) | 基于目标检测的移动设备端签状物根数计数方法及系统 | |
CN104537384B (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN108765463A (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
Williams et al. | Leaf only SAM: a segment anything pipeline for zero-shot automated leaf segmentation | |
CN110163103B (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
CN110837818A (zh) | 一种基于卷积神经网路的中华白海豚背鳍识别方法 | |
CN108021894B (zh) | 一种基于深度策略学习的小麦病害检测方法 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
Lau et al. | Estimating Norway lobster abundance from deep-water videos: an automatic approach | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
CN112991280A (zh) | 视觉检测方法、系统及电子设备 | |
CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
CN113792604A (zh) | 基于人工智能特征图分割的老鼠检测算法 |
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 |