CN114373113A - 一种基于ai技术的野生动物物种图像识别系统 - Google Patents
一种基于ai技术的野生动物物种图像识别系统 Download PDFInfo
- Publication number
- CN114373113A CN114373113A CN202111463737.3A CN202111463737A CN114373113A CN 114373113 A CN114373113 A CN 114373113A CN 202111463737 A CN202111463737 A CN 202111463737A CN 114373113 A CN114373113 A CN 114373113A
- Authority
- CN
- China
- Prior art keywords
- image
- animal
- data
- database
- module
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI技术的野生动物物种图像识别系统，包括动物图像采集设备、动物检索模块、动物识别模块、反向对比模块、信息显示模块和图像数据库采集，所述图像数据库采集包括动物外形采集、动物细节采集和动物信息录入，所述图像数据库采集所采集的数据通过图像数据库存储进行存储。本发明所述的一种基于AI技术的野生动物物种图像识别系统，属于AI识别技术领域，通过采集的设备连续拍摄的特点，预测过程中首先对序列照片逐张判断是否为空拍情况，将不存在空拍情况的照片使用深度学习模型进行识别，验证集可以监测在网络训练过程中的模型效果，测试集用来检验最终模型的识别能力，得到算法模型文件。
Description
技术领域
本发明涉及AI识别技术领域，特别涉及一种基于AI技术的野生动物物种图像识别系统。
背景技术
基于AI的视频分析是视频监控行业讨论很多的话题之一，相关的预期也较高，因为实时监控和查看视频监控内容十分具有挑战性，尤其是在处理大量摄像机接入时，而且需要大量人力成本，基于AI的视频分析技术通过使用全面而复杂的算法来分析视频流，AI可以逐像素查看摄像机的图像，几乎不会遗漏任何信息，基于AI的识别系统不仅具有高识别率，还能够自动提取动物监测图像中的动物特征，使得系统具备自动、快速识别不同动物的能力，大大减少了人力成本，因此也被应用与。但是现有的天线宽频存在一定的弊端，首先天线宽频网络传输基站的数量和位置不能根据辐射进行调整，并且不能根据需要进行自动调整相关的天线宽频网络传输基站的个数
发明内容
本发明的主要目的在于提供一种基于AI技术的野生动物物种图像识别系统，可以有效解决背景技术中在组装时由于焊接不牢靠造成引脚发生松动或者损坏的情况，造成废品增加的情况，并且容易造成天线模块不合格造成返工的问题。
为实现上述目的，本发明采取的技术方案为：
一种基于AI技术的野生动物物种图像识别系统，包括动物图像采集设备、动物检索模块、动物识别模块、反向对比模块、信息显示模块和图像数据库采集，所述图像数据库采集包括动物外形采集、动物细节采集和动物信息录入，所述图像数据库采集所采集的数据通过图像数据库存储进行存储，且图像数据库存储包括数据线上存储和离线数据包存储，所述动物识别模块包括空包识别、外形识别和细节对比。
优选的，所述图像数据库采集的动物采集到原始图像并通过输送至自主数据库进行模式识别并得到识别的图像，通过图像分割模块对获得的识别图像进行分隔成一些较小的模块图片，通过获得的较小的模块图片与数据库中进行对比，所述图像数据库采集的动物外形采集对事先准备好的野生动物物种图像进行录入到图像采集数据库中，采集的设备连续拍摄的特点，即野保相机在触发拍照后会连续拍摄多张照片，将其视为序列照片，预测过程中首先对序列照片逐张判断是否为空拍情况，将不存在空拍情况的照片使用深度学习模型进行识别，最后将每张照片的识别结果进行综合分析，且通过动物细节采集将野生动物的细节特征录入到图像采集数据库中，将动物信息录入到图像采集数据库中，然后将获得的识别图像通过计算机网络进行卷积、非线性变换以及tensorflow框架进行网络搭建算法网络。
优选的，所述图像存储数据库中的数据线上存储和离线数据包存储的数据分为两种存储状态，将图像存储数据库中的数据可以在网络或者离线状态下进行对比数据。
优选的，所述动物识别模块中的空包识别为了不让空拍影响识别准确率，该系统在使用模型预测之前首先使用帧差法来判断是否空拍，随后将空拍图像从预测图像中剔除，正常图像根据模型进行预测，不是空包的话，通过外形识别来初步识别野生动物的物种，通过细节对比来对比野生动物的细节，从而确定物种，反向对比模块是将图像采集数据库中的物种与细节对比确定的物种进行对比，将前后对比的数据通过信息显示模块进行显示结果，信息显示模块将动物识别模块中识别没有的野生动物物种补录到图像采集数据库中。
一种基于AI技术的野生动物物种图像识别系统的识别方法，包括以下步骤：
S1、数据搜集和整理，搜集已有的野生动物图片数据，挑选出高质量(即高清、动物外貌特征较为清晰)的图像；
S2、数据标注，人为地对图像中物种进行判别，将动物名称作为标签label进行画框标注；
S3、算法网络搭建，本系统中使用tensorflow框架进行网络搭建，其中tensoflow是Google开发的端到端的机器学习平台，里面包含了各种工具和库用来构建深度学习网络；
S4、算法模型训练。
优选的，所述S2中数据标注包围框bounding box需要紧贴目标边缘；当两个目标有重叠时，允许两个bounding box有重叠部分；每个目标需要单独画框。
优选的，所述S3中按照一定的规则在图像上生成一系列位置固定的锚，即候选区域；根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注；使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测；通过网络训练来减小损失函数，从而计算出预测框的位置和形状。
优选的，所述算法模型训练包括数据增强、超参数设定和网络训练。
优选的，所述tensorflow框架进行网络搭建包括数据处理、模型搭建、构建损失、模型训练、模型评估，其中数据处理包括通过代码批量读取数据、生成batch数据和生成数据的shape，模型搭建模型搭建以经典神经网络模型VGG、Alex、ResNet和Google InceptionNet为模型。
与现有技术相比，本发明具有如下有益效果：
该系统通过采集的设备连续拍摄的特点，即野保相机在触发拍照后会连续拍摄多张照片，将其视为序列照片，预测过程中首先对序列照片逐张判断是否为空拍情况，将不存在空拍情况的照片使用深度学习模型进行识别，最后将每张照片的识别结果进行综合分析，通过数据标注，为了查看模型训练效果是否朝着预期的方向进行，将标注好的数据分割为训练集、验证集和测试集，训练集参与网络训练，验证集可以监测在网络训练过程中的模型效果，测试集用来检验最终模型的识别能力，算法模型训练可以根据设定的超参数值进行网络训练，当所有epochs迭代完成之后，模型训练完毕，得到算法模型文件。
附图说明
图1是本发明的识别系统图；
图2是本发明的识别方法示意图
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
一种基于AI技术的野生动物物种图像识别系统，包括动物图像采集设备、动物检索模块、动物识别模块、反向对比模块、信息显示模块和图像数据库采集，所述图像数据库采集包括动物外形采集、动物细节采集和动物信息录入，所述图像数据库采集所采集的数据通过图像数据库存储进行存储，且图像数据库存储包括数据线上存储和离线数据包存储，所述动物识别模块包括空包识别、外形识别和细节对比。
优选的，所述图像数据库采集的动物采集到原始图像并通过输送至自主数据库进行模式识别并得到识别的图像，通过图像分割模块对获得的识别图像进行分隔成一些较小的模块图片，通过获得的较小的模块图片与数据库中进行对比，所述图像数据库采集的动物外形采集对事先准备好的野生动物物种图像进行录入到图像采集数据库中，采集的设备连续拍摄的特点，即野保相机在触发拍照后会连续拍摄多张照片，将其视为序列照片，预测过程中首先对序列照片逐张判断是否为空拍情况，将不存在空拍情况的照片使用深度学习模型进行识别，最后将每张照片的识别结果进行综合分析，且通过动物细节采集将野生动物的细节特征录入到图像采集数据库中，将动物信息录入到图像采集数据库中，然后将获得的识别图像通过计算机网络进行卷积、非线性变换以及tensorflow框架进行网络搭建算法网络。
优选的，所述图像存储数据库中的数据线上存储和离线数据包存储的数据分为两种存储状态，将图像存储数据库中的数据可以在网络或者离线状态下进行对比数据。
优选的，所述动物识别模块中的空包识别为了不让空拍影响识别准确率，该系统在使用模型预测之前首先使用帧差法来判断是否空拍，随后将空拍图像从预测图像中剔除，正常图像根据模型进行预测，不是空包的话，通过外形识别来初步识别野生动物的物种，通过细节对比来对比野生动物的细节，从而确定物种，反向对比模块是将图像采集数据库中的物种与细节对比确定的物种进行对比，将前后对比的数据通过信息显示模块进行显示结果，信息显示模块将动物识别模块中识别没有的野生动物物种补录到图像采集数据库中。
一种基于AI技术的野生动物物种图像识别系统的识别方法，包括以下步骤：
S1、数据搜集和整理，搜集已有的野生动物图片数据，挑选出高质量(即高清、动物外貌特征较为清晰)的图像；
S2、数据标注，人为地对图像中物种进行判别，将动物名称作为标签label进行画框标注；
S3、算法网络搭建，本系统中使用tensorflow框架进行网络搭建，其中tensoflow是Google开发的端到端的机器学习平台，里面包含了各种工具和库用来构建深度学习网络；
S4、算法模型训练。
优选的，所述S2中数据标注包围框bounding box需要紧贴目标边缘；当两个目标有重叠时，允许两个bounding box有重叠部分；每个目标需要单独画框。
优选的，所述S3中按照一定的规则在图像上生成一系列位置固定的锚，即候选区域；根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注；使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测；通过网络训练来减小损失函数，从而计算出预测框的位置和形状。
优选的，所述算法模型训练包括数据增强、超参数设定和网络训练。
优选的，所述tensorflow框架进行网络搭建包括数据处理、模型搭建、构建损失、模型训练、模型评估，其中数据处理包括通过代码批量读取数据、生成batch数据和生成数据的shape，模型搭建模型搭建以经典神经网络模型VGG、Alex、ResNet和Google InceptionNet为模型。
需要说明的是，本发明为一种基于AI技术的野生动物物种图像识别系统，AI识别具有自动识别野生动物类别的能力，识别主要包括以下内容：数据搜集和整理，搜集已有的野生动物图片数据，挑选出高质量(即高清、动物外貌特征较为清晰)的图像，数据标注，人为地对图像中物种进行判别，将动物名称作为标签label进行画框标注，在标注过程种根据以下原则进行标注，包围框bounding box需要紧贴目标边缘；当两个目标有重叠时，允许两个bounding box有重叠部分。如果其中一个物体挡住另一个物体一部分，框的时候就需要对另一个物体的形状进行脑补完整然后框起来即可；每个目标需要单独画框，例如三只动物并列站在一起，那么需要画三个bounding box，而不是一个；根据上述原则标注后，得到图像数据、包围框bounding box位置信息和目标类别信息，为了查看模型训练效果是否朝着预期的方向进行，将标注好的数据分割为训练集、验证集和测试集。训练集参与网络训练，验证集可以监测在网络训练过程中的模型效果，测试集用来检验最终模型的识别能力，算法网络搭建，通过系统中使用tensorflow框架进行网络搭建，其中tensoflow是Google开发的端到端的机器学习平台，在识别研究中，使用目标检测经典算法YOLOV3，该算法采用端对端的结构，将整张图像作为输入，仅仅通过一次向前传播就可得到目标包围框的位置和目标类别，其基本思想为按照一定的规则在图像上生成一系列位置固定的锚，即候选区域；根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注，跟真实框足够接近的候选区域会被标注为正样本，同时将真实框的位置作为正样本的位置目标，偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别；使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测，这样每个预测框就可以看成是一个样本，根据真实框相对它的位置和类别进行了标注而获得标签值，通过网络模型预测其位置和类别，将网络预测值和标签值进行比较，由此建立起损失函数；通过网络训练来减小损失函数，从而计算出预测框的位置和形状；算法模型训练通过数据增强，为了提高算法的泛化能力，在训练前对训练集进行数据增强操作，包括图像旋转、灰度调整、包围框bounding box小范围移动等；超参数设定，网络训练包含数个超参数需要人为设定，包含批尺寸batch size和迭代轮数epochs，通过网络训练设定的超参数值进行网络训练，当所有epochs迭代完成之后，模型训练完毕，得到算法模型文件。
虽然本文只要其不违背本发明的思想，其同样应当视为本发明所公开的内容，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种基于AI技术的野生动物物种图像识别系统，其特征在于：包括动物图像采集设备、动物检索模块、动物识别模块、反向对比模块、信息显示模块和图像数据库采集，所述图像数据库采集包括动物外形采集、动物细节采集和动物信息录入，所述图像数据库采集所采集的数据通过图像数据库存储进行存储，且图像数据库存储包括数据线上存储和离线数据包存储，所述动物识别模块包括空包识别、外形识别和细节对比。
2.根据权利要求1所述的一种基于AI技术的野生动物物种图像识别系统，其特征在于：所述图像数据库采集的动物采集到原始图像并通过输送至自主数据库进行模式识别并得到识别的图像，通过图像分割模块对获得的识别图像进行分隔成一些较小的模块图片，通过获得的较小的模块图片与数据库中进行对比，所述图像数据库采集的动物外形采集对事先准备好的野生动物物种图像进行录入到图像采集数据库中，采集的设备连续拍摄的特点，即野保相机在触发拍照后会连续拍摄多张照片，将其视为序列照片，预测过程中首先对序列照片逐张判断是否为空拍情况，将不存在空拍情况的照片使用深度学习模型进行识别，最后将每张照片的识别结果进行综合分析，且通过动物细节采集将野生动物的细节特征录入到图像采集数据库中，将动物信息录入到图像采集数据库中，然后将获得的识别图像通过计算机网络进行卷积、非线性变换以及tensorflow框架进行网络搭建算法网络。
3.根据权利要求1所述的一种基于AI技术的野生动物物种图像识别系统，其特征在于：所述图像存储数据库中的数据线上存储和离线数据包存储的数据分为两种存储状态，将图像存储数据库中的数据可以在网络或者离线状态下进行对比数据。
4.根据权利要求1所述的一种基于AI技术的野生动物物种图像识别系统，其特征在于：所述动物识别模块中的空包识别为了不让空拍影响识别准确率，该系统在使用模型预测之前首先使用帧差法来判断是否空拍，随后将空拍图像从预测图像中剔除，正常图像根据模型进行预测，不是空包的话，通过外形识别来初步识别野生动物的物种，通过细节对比来对比野生动物的细节，从而确定物种，反向对比模块是将图像采集数据库中的物种与细节对比确定的物种进行对比，将前后对比的数据通过信息显示模块进行显示结果，信息显示模块将动物识别模块中识别没有的野生动物物种补录到图像采集数据库中。
5.根据权利要求4所述的一种基于AI技术的野生动物物种图像识别系统的识别方法，其特征在于：包括以下步骤：
S1、数据搜集和整理，搜集已有的野生动物图片数据，挑选出高质量(即高清、动物外貌特征较为清晰)的图像；
S2、数据标注，人为地对图像中物种进行判别，将动物名称作为标签label进行画框标注；
S3、算法网络搭建，本系统中使用tensorflow框架进行网络搭建，其中tensoflow是Google开发的端到端的机器学习平台，里面包含了各种工具和库用来构建深度学习网络；
S4、算法模型训练。
6.根据权利要求5所述的一种基于AI技术的野生动物物种图像识别系统的识别方法，其特征在于：所述S2中数据标注包围框bounding box需要紧贴目标边缘；当两个目标有重叠时，允许两个bounding box有重叠部分；每个目标需要单独画框。
7.根据权利要求5所述的一种基于AI技术的野生动物物种图像识别系统的识别方法，其特征在于：所述S3中按照一定的规则在图像上生成一系列位置固定的锚，即候选区域；根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注；使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测；通过网络训练来减小损失函数，从而计算出预测框的位置和形状。
8.根据权利要求5所述的一种基于AI技术的野生动物物种图像识别系统的识别方法，其特征在于：所述算法模型训练包括数据增强、超参数设定和网络训练。
9.根据权利要求5所述的一种基于AI技术的野生动物物种图像识别系统的识别方法，其特征在于：所述tensorflow框架进行网络搭建包括数据处理、模型搭建、构建损失、模型训练、模型评估，其中数据处理包括通过代码批量读取数据、生成batch数据和生成数据的shape，模型搭建模型搭建以经典神经网络模型VGG、Alex、ResNet和Google Inception Net为模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111463737.3A CN114373113A (zh) | 2021-12-03 | 2021-12-03 | 一种基于ai技术的野生动物物种图像识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111463737.3A CN114373113A (zh) | 2021-12-03 | 2021-12-03 | 一种基于ai技术的野生动物物种图像识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114373113A true CN114373113A (zh) | 2022-04-19 |
Family
ID=81140991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111463737.3A Pending CN114373113A (zh) | 2021-12-03 | 2021-12-03 | 一种基于ai技术的野生动物物种图像识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114373113A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115721296A (zh) * | 2022-11-25 | 2023-03-03 | 中科北纬(北京)科技有限公司 | 一种基于PaddleDetection的野生动物识别系统 |
| CN116259145A (zh) * | 2022-09-26 | 2023-06-13 | 广州当康自然资源科技有限公司 | 一种基于ai智能识别的野猪预警与处置系统 |
| CN117993622A (zh) * | 2024-04-03 | 2024-05-07 | 四川弘和数智集团有限公司 | 一种野生动物伤亡风险评估方法及系统、设备、存储介质 |
-
2021
- 2021-12-03 CN CN202111463737.3A patent/CN114373113A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259145A (zh) * | 2022-09-26 | 2023-06-13 | 广州当康自然资源科技有限公司 | 一种基于ai智能识别的野猪预警与处置系统 |
| CN115721296A (zh) * | 2022-11-25 | 2023-03-03 | 中科北纬(北京)科技有限公司 | 一种基于PaddleDetection的野生动物识别系统 |
| CN115721296B (zh) * | 2022-11-25 | 2024-09-13 | 中科北纬(北京)科技有限公司 | 一种基于PaddleDetection的野生动物识别系统 |
| CN117993622A (zh) * | 2024-04-03 | 2024-05-07 | 四川弘和数智集团有限公司 | 一种野生动物伤亡风险评估方法及系统、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114373113A (zh) | 一种基于ai技术的野生动物物种图像识别系统 | |
| US10817717B2 (en) | Method and device for parsing table in document image | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN112580458B (zh) | 人脸表情识别方法、装置、设备及存储介质 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
| Kumar et al. | A deep learning based automated structural defect detection system for sewer pipelines | |
| US8094971B2 (en) | Method and system for automatically determining the orientation of a digital image | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| Babila et al. | Object detection for inventory stock counting using YOLOv5 | |
| CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
| CN116778482B (zh) | 胚胎图像卵裂球目标检测方法、计算机设备及存储介质 | |
| KR20200123537A (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
| CN111325181A (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
| CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
| CN109684953B (zh) | 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置 | |
| CN114882586A (zh) | 一种群体猴运动活跃状态监测系统和方法 | |
| CN117274843B (zh) | 基于轻量级边缘计算的无人机前端缺陷识别方法及系统 | |
| CN114387564A (zh) | 一种基于YOLOv5的磕头机停抽检测方法 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN115147684B (zh) | 基于深度学习的目标打击效果评估方法 | |
| CN111047731A (zh) | 一种基于ar技术的电信机房巡检方法及系统 | |
| CN110991300A (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 |
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 |