CN116189076A - 一种鸟类观测站的观测识别系统及其方法 - Google Patents

一种鸟类观测站的观测识别系统及其方法 Download PDF

Info

Publication number
CN116189076A
CN116189076A CN202211682070.0A CN202211682070A CN116189076A CN 116189076 A CN116189076 A CN 116189076A CN 202211682070 A CN202211682070 A CN 202211682070A CN 116189076 A CN116189076 A CN 116189076A
Authority
CN
China
Prior art keywords
bird
observation
biological
data
information
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
Application number
CN202211682070.0A
Other languages
English (en)
Inventor
黄振旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Shike Environmental Development Co ltd
Original Assignee
Jiangsu Shike Environmental Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Shike Environmental Development Co ltd filed Critical Jiangsu Shike Environmental Development Co ltd
Priority to CN202211682070.0A priority Critical patent/CN116189076A/zh
Publication of CN116189076A publication Critical patent/CN116189076A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种鸟类观测站的观测识别系统及其方法，具体涉及鸟类生物多样性识别技术领域，包括前端超高清摄像头集成模块是通过在采集鸟类生物的环境中，根据现场情况而定，选择点位安装1‑4台摄像机，用于自动拍摄采集鸟类生物的图像信息；本发明具体通过在系统中采用前端超高清摄像头集成强大算力GPU模块，将图像进行每帧画面分割和检测识别，嵌入AI人工智能深度学习算法，导入十万鸟类照片模型训练库，利用处理器高效双核运算，通过提取鸟类体貌特征和算法训练，实现对鸟类的AI识别分析，实现各类湿地水鸟、保护区林鸟、常见鸟类准确发现，自动拍照，实时比对的功能，达到了精准识别的效果。

Description

一种鸟类观测站的观测识别系统及其方法
技术领域
本发明涉及鸟类生物多样性识别技术领域，具体涉及一种鸟类观测站的观测识别系统及其方法。
背景技术
鸟类是按照各种各样的标准与方法进行分类，每种鸟的名称因地方及习惯而有不同的称呼，所以往往会造成同物异名，或异物同名的现象，引起诸多生物多样性识别混乱的问题，因此，在鸟类学中有一个比较统一的标准与方法进行分类及名称，目前，国际上统一采用自然分类系统进行分门别类的方法，按照鸟的形态特征拟似程度为基础，把具有共同构造特征的鸟类归为一类，把具有另一些共同特征的鸟归为另一类种群，那么对鸟类生物进行观测识别系统给鸟类生物多样性数据库提供了数据基础。
在传统的生物多样性数据库平台软件中，软件列表的排序，将其自身产品及其有投资关系的软件置前并将竞争对手产品置后，将给了推广费用的商家的产品置前，其次才考虑软件的评分、发布时间、下载量等因素，导致展现给用户的软件列表基本相同，无个性化差异，不能满足不同用户的需求，因此存在了生物多样性数据库平台对数据整理列表的排序问题不能采用智能关联性推送方法。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种鸟类观测站的观测识别系统及其方法，通过运用AI视觉识别和AI边缘计算服务器的高性能算力，将图像进行每帧画面分割和检测识别，基于自主研发的多层卷积神经网络和深度学习模型算法，利用GPU+CPU高效双核运算，通过提取鸟类体貌特征和算法训练，实现对鸟类的AI识别分析，以解决上述背景技术中提出的问题。
为达到上述发明目的，本发明提供如下技术方案：一种鸟类观测站的观测识别系统，包括前端超高清摄像头集成模块是通过在采集鸟类生物的环境中，根据现场情况而定，选择点位安装1-4台摄像机，用于自动拍摄采集鸟类生物的图像信息，并利用摄像设备中含有的4G传输卡，通过无线通信模块将采集的图像数据信息分别传输到云端服务器、生物检测站及GPU图像识别分析处理模块中；
无线通信模块是通过串口协议连接，利用无线通信网络将数据信息进行双通道传输，用于数据输入输出的通信；
GPU图像识别分析处理模块是利用计算机中的GPU处理器对采集的图像视频，根据插入的算法进行构建、渲染的处理，结合十万鸟类照片模型训练库信息，用于自动识别鸟类生物信息和对鸟群生存环境的分析处理，并将处理后的信息传输到生物检测站和云端服务器；
生物检测站是利用人工从计算机显示器中反馈的图像，对鸟类生物进行专业的识别、判断、评价及整理，用于对科学研究鸟类提供专业性的知识辅助，完善及确定鸟类生物多样性评价的状况，并且将专业的知识体系评估的鸟类生物多样性信息传输到云端服务器中；
云端服务器是将网络资源充分利用的高分布式及高虚拟化的信息化平台，用于提供鸟类生物外貌特征图像，名称，鸟类生存、生长、繁殖和迁徙特点，以及栖息地、觅食、食物链的对应数字化信息，给软件进行数据更新和推送；
十万鸟类照片模型训练库是在网页上下载鸟类照片和现实拍摄采集出数以万计的鸟类照片数据集，用于AI深度学习训练和建立评估识别鸟类生物的模型提供了数据基础。
在一个优选地实施方式中，所述前端超高清摄像头集成模块包括摄像机组单元是在观测点采用1-4台星光级6寸激光网络高清高速智能球机和热成像双光谱网络转台摄像机进行日常鸟类观测，用于采集鸟类生物照片和视频信息，以及采用1台长焦距为12.5-500mm的热成像双光谱加可见光网络转台摄像机进行实时监测，用于研究鸟类生物种群及分析其生存环境；
鸟类生物多目标实时捕捉采集单元是对图像中的采集到的鸟类及环境生物进行多目标识别，利用实时捕捉的数据进行多目标信息分类，用于实时同步采集获取多目标鸟类生物数据信息；
实时监测单元是用于实时监控、实时自动采集，采样频率为连续视频采样，也可通过照片数据进行分析，进一步获得鸟类种群状况数据，为湿地鸟类研究、湿地鸟类保育体系构建奠定基础；
日常人工维护设备检修单元是对户外环境中安装在观测点的摄像机组进行日常维护检修，通过人工避免摄像机组被树木遮挡，以及更换蓄电池保证摄像机组日常拍摄；
电力获取单元是采用太阳能和蓄电池结合使用的方式，利用太阳能吸收光源经过光伏电极板转换成电源，储备在蓄电池内，以及更换蓄电池给摄像机组提供日常拍摄鸟类生物图像的电能。
在一个优选地实施方式中，所述无线通信模块包括4G协议通信单元是通过摄像机组内的4G传输卡，将摄像机组采集鸟类生物图像视频的数据信息，经过端口协议传输到云端服务器、GPU图像识别分析处理模块及生物检测站内；
5G端口传输单元是实现人机物互联的网络通信技术，通过云端服务器、GPU图像识别分析处理模块及生物检测站之间的端口连接，用于数据信息的输入输出。
在一个优选地实施方式中，所述GPU图像识别分析处理模块包括I/O信号单元是信号输入输出，用于传输模拟信号和数字信号；
AI深度学习算法单元是利用人工智能技术搭建CNN神经网络，是机器学习中AI算法，通过提取图像与视频中的局部特征，根据参数进行降维处理后输出自动识别的数据结果，具体为将接收到的鸟类生物图像和视频数据信息，在神经网络中对照十万鸟类照片模型训练库内的数据信息，分别让卷积层提取图像中鸟类生物的局部特征，池化层用于大幅度降低数量级，以及全连接层用来输出识别鸟类生物的数据结果；
GPU图像处理自动识别分类单元是利用GPU处理器，依据AI深度学习算法，将鸟类生物图像进行分类检索、目标定位跟踪、图形分割、鸟类生物识别及图像分类的技术处理。
在一个优选地实施方式中，所述生物检测站包括有人工辅助识别单元是通过在生物检测站的计算机显示屏中展示出未识别的鸟类生物图像数据信息，结合专业观鸟机构与组织进行鸟类的识别，并评估生物多样性跟进保护，用于丰富区域的物种资源；
人工整理生物多样性评价单元是在生物检测站内的管理员，承接专业观鸟机构与组织对鸟类的识别并评估的数据信息进行定期整理，利用5G网络通信技术，将整理后的数据信息上传到云端服务器，进行软件数据信息的更新。
在一个优选地实施方式中，所述云端服务器包括云数据处理单元是建立在云端服务器上，用于海量数据信息进行分布式处理、并行处理、网络通信数据计算的云平台，能够接收到生物检测站上传的专家识别评价鸟类生物数据信息、观测点内摄像机组实时采集的鸟类生物图像和视频；
云存储单元是用于储存云数据处理单元中分类鸟类生物数据信息，而且能够给十万鸟类照片模型训练库的数据提供存储支撑，具有确保网络存储信息的吞吐量和可靠性特点。
在一个优选地实施方式中，鸟类观测站的观测识别方法，其步骤如下：
S1、首先在跟踪捕捉鸟类图像的外界环境中，设置X处自动鸟类监测点，并在观测点采用若干个摄像机进行拍摄采集日常鸟类图像信息；
S2、在观测点，采用进行实时监测与处理鸟类生物的数据信息，其中，摄像头的电力获取采用太阳能和蓄电池结合使用的方式；
S3、然后利用摄像设备具有的4G传输卡，将鸟类生物的视频数据传至云服务器内，与生物多样性数据库平台进行信息研究分析；
S4、创建生物监测站，结合专业的鸟类专家进行人工辅助识别，并且评估生物多样性；
S5、最后管理员定期整理专家评估数据，获取鸟类生物多样性评价的状况信息，通过5G无线通信技术传输到云端服务器内。
在一个优选地实施方式中，所述观测点是对被观测的鸟类生物栖息生活的物理环境进行实地考量，并在该环境中设立便于观测鸟类生物生长、繁殖、觅食、迁徙及环境分布的测量位置，在测量位置上安装摄像机组，用于拍摄鸟类生物图像数据，观测、识别并分析鸟类生物多样性的特点。
在一个优选地实施方式中，所述生物多样性数据库平台是将鸟类观测站的观测识别系统及其方法服务于智能使用的软件中，在系统里支持本地存储至少一个月视频录像的识别结果，而生物多样性数据库平台支持任意调取自定义识别时间点前后短视频录像，该生物多样性数据库平台能够根据用户安装信息，计算未安装软件与用户已安装软件的关联值，并根据关联值向用户推荐安装软件，从而根据用户电脑中软件安装环境实现智能化、个性化的软件安装推荐，使得向用户推荐的未安装软件能较好的符合不同用户的需求。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
1、本发明具体通过在系统中采用前端超高清摄像头集成强大算力GPU模块，将图像进行每帧画面分割和检测识别，嵌入AI人工智能深度学习算法，导入十万鸟类照片模型训练库，利用处理器高效双核运算，通过提取鸟类体貌特征和算法训练，实现对鸟类的AI识别分析，实现各类湿地水鸟、保护区林鸟、常见鸟类准确发现，自动拍照，实时比对的功能，达到了精准识别，自动上传，并更新软件生物多样性数据信息的效果。
2、本发明具体能够根据用户安装信息，计算未安装软件与用户已安装软件的关联值，并根据关联值向用户推荐为安装软件，从而根据用户电脑中软件安装环境实现智能化、个性化的软件安装推荐，使得向用户推荐的未安装软件能很好的符合不同用户的需求，达到了提高用户需求的智能软件排序效果。
附图说明
图1为本发明的鸟类观测站的观测识别系统框图。
图2为本发明的前端超高清摄像头集成模块图。
图3为本发明的无线通信模块图。
图4为本发明的GPU图像识别分析处理模块图。
图5为本发明的生物检测站和云端服务器框图。
图6为本发明的鸟类观测站的观测识别方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
实施例1
本实施例提供了如图1所示的一种鸟类观测站的观测识别系统，包括前端超高清摄像头集成模块是通过在采集鸟类生物的环境中，根据现场情况而定，选择地势较平坦，避免树木遮挡的点位安装1-4台摄像机，设置X处自动鸟类监测点，用于自动拍摄采集鸟类生物的图像信息，并利用摄像设备中含有的4G传输卡，通过无线通信模块将采集的图像数据信息分别传输到云端服务器、生物检测站及GPU图像识别分析处理模块中；
无线通信模块是支持远程设备，通过串口协议连接，利用无线通信网络将数据信息进行双通道传输，用于数据输入输出的通信；
GPU图像识别分析处理模块是通过无线通信模块接收前端超高清摄像头集成模块传输的鸟类生物图像数据信息，利用计算机中的GPU处理器对采集的图像视频，根据插入的算法进行构建、渲染的处理，结合十万鸟类照片模型训练库信息，用于自动识别鸟类生物信息和对鸟群生存环境的分析处理，并将处理后的信息传输到生物检测站和云端服务器；
生物检测站是接收前端超高清摄像头集成模块传输的鸟类生物图像数据信息，利用人工从计算机显示器中反馈的图像，对鸟类生物进行专业的识别、判断、评价及整理，用于对科学研究鸟类提供专业性的知识辅助，完善及确定鸟类生物多样性评价的状况，并且将专业的知识体系评估的鸟类生物多样性信息传输到云端服务器中；
云端服务器是将网络资源充分利用的高分布式及高虚拟化的信息化平台，用于提供鸟类生物外貌特征图像，名称，鸟类生存、生长、繁殖和迁徙特点，以及栖息地、觅食、食物链的对应数字化信息，给软件进行数据更新和推送；
十万鸟类照片模型训练库是在网页上下载鸟类照片和现实拍摄采集出数以万计的鸟类照片数据集，每种鸟类通过鸟类运动状态的各种照片进行观测，最终识别判断鸟类生物的多样性，用于AI深度学习训练和建立评估识别鸟类生物的模型提供了数据基础。
如图2所示本实施例中，具体说明的是所述前端超高清摄像头集成模块包括摄像机组单元是在观测点采用1-4台星光级6寸激光网络高清高速智能球机和热成像双光谱网络转台摄像机进行日常鸟类观测，用于采集鸟类生物照片和视频信息，以及采用1台长焦距为12.5-500mm的热成像双光谱加可见光网络转台摄像机进行实时监测，具体监测鸟类生物的视频数据、照片信息、生物环境中的光照、风速、风向及降水量的数据信息，用于研究鸟类生物种群及分析其生存环境；
鸟类生物多目标实时捕捉采集单元是根据摄像机组单元采集的图像、视频数据信息，对图像中的采集到的鸟类及环境生物进行多目标识别，利用实时捕捉的数据进行多目标信息分类，用于实时同步采集获取多目标鸟类生物数据信息；
实时监测单元是利用摄像机组通过无线通信技术，实时监测环境中鸟类生物的状态信息数据，用于实时监控、实时自动采集，采样频率为连续视频采样，也可通过照片数据进行分析，进一步获得鸟类种群状况数据，为湿地鸟类研究、湿地鸟类保育体系构建奠定基础；
日常人工维护设备检修单元是对户外环境中安装在观测点的摄像机组进行日常维护检修，通过人工避免摄像机组被树木遮挡，以及更换蓄电池保证摄像机组日常拍摄；
电力获取单元是采用太阳能和蓄电池结合使用的方式，利用太阳能吸收光源经过光伏电极板转换成电源，储备在蓄电池内，以及更换蓄电池给摄像机组提供日常拍摄鸟类生物图像的电能。
如图3所示本实施例中，具体说明的是所述无线通信模块包括4G协议通信单元是利用第四代移动网络通信技术，通过摄像机组内的4G传输卡，将摄像机组采集鸟类生物图像视频的数据信息，经过端口协议传输到云端服务器、GPU图像识别分析处理模块及生物检测站内；
5G端口传输单元是利用新型移动通信网络，实现人机物互联的网络通信技术，具有高速率、低延时和大连接的特点，通过云端服务器、GPU图像识别分析处理模块及生物检测站之间的端口连接，用于数据信息的输入输出。
如图4所示本实施例中，具体说明的是所述GPU图像识别分析处理模块包括I/O信号单元是信号输入输出，通过在所述GPU图像识别分析处理模块上的串口协议接收与发送的数据信息，用于传输模拟信号和数字信号；
AI深度学习算法单元是利用人工智能技术搭建CNN神经网络，是机器学习中AI算法，通过提取图像与视频中的局部特征，根据参数进行降维处理后输出自动识别的数据结果，具体为将接收到的鸟类生物图像和视频数据信息，在神经网络中对照十万鸟类照片模型训练库内的数据信息，分别让卷积层提取图像中鸟类生物的局部特征，池化层用于大幅度降低数量级，以及全连接层用来输出识别鸟类生物的数据结果；
GPU图像处理自动识别分类单元是利用GPU处理器，依据AI深度学习算法，将鸟类生物图像进行分类检索、目标定位跟踪、图形分割、鸟类生物识别及图像分类的技术处理。
如图5所示本实施例中，具体说明的是所述生物检测站包括有人工辅助识别单元是通过在生物检测站的计算机显示屏中展示出未识别的鸟类生物图像数据信息，结合专业观鸟机构与组织进行鸟类的识别，并评估生物多样性跟进保护，用于丰富区域的物种资源；
人工整理生物多样性评价单元是在生物检测站内的管理员，承接专业观鸟机构与组织对鸟类的识别并评估的数据信息进行定期整理，利用5G网络通信技术，将整理后的数据信息上传到云端服务器，进行软件数据信息的更新。
如图5所示本实施例中，具体说明的是所述云端服务器包括云数据处理单元是建立在云端服务器上，用于海量数据信息进行分布式处理、并行处理、网络通信数据计算的云平台，能够接收到生物检测站上传的专家识别评价鸟类生物数据信息、观测点内摄像机组实时采集的鸟类生物图像和视频，以及接收到GPU图像识别分类分析处理后的鸟类生物数据；
云存储单元是用于储存云数据处理单元中分类鸟类生物数据信息，而且能够给十万鸟类照片模型训练库的数据提供存储支撑，具有确保网络存储信息的吞吐量和可靠性特点。
实施例2
本实施例提供了如图6所示的一种鸟类观测站的观测识别方法，其步骤如下：
S1、首先在跟踪捕捉鸟类图像的外界环境中，设置X处自动鸟类监测点，并在观测点采用若干个摄像机进行拍摄采集日常鸟类图像信息；
S2、在观测点，采用进行实时监测与处理鸟类生物的数据信息，其中，摄像头的电力获取采用太阳能和蓄电池结合使用的方式；
S3、然后利用摄像设备具有的4G传输卡，将鸟类生物的视频数据传至云服务器内，与生物多样性数据库平台进行信息研究分析；
S4、创建生物监测站，结合专业的鸟类专家进行人工辅助识别，并且评估生物多样性；
S5、最后管理员定期整理专家评估数据，获取鸟类生物多样性评价的状况信息，通过5G无线通信技术传输到云端服务器内。
如图6所示本实施例中，具体说明的是所述观测点是对被观测的鸟类生物栖息生活的物理环境进行实地考量，并在该环境中设立便于观测鸟类生物生长、繁殖、觅食、迁徙及环境分布的测量位置，在测量位置上安装摄像机组，用于拍摄鸟类生物图像数据，观测、识别并分析鸟类生物多样性的特点。
如图6所示本实施例中，具体说明的是所述生物多样性数据库平台是将鸟类观测站的观测识别系统及其方法服务于智能使用的软件中，在系统里支持本地存储至少一个月视频录像的识别结果，而生物多样性数据库平台支持任意调取自定义识别时间点前后短视频录像，该生物多样性数据库平台能够根据用户安装信息，计算未安装软件与用户已安装软件的关联值，并根据关联值向用户推荐安装软件，从而根据用户电脑中软件安装环境实现智能化、个性化的软件安装推荐，使得向用户推荐的未安装软件能较好的符合不同用户的需求。
最后：以上所述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 (9)

1.一种鸟类观测站的观测识别系统，其特征在于：包括前端超高清摄像头集成模块是用于自动拍摄采集鸟类生物的图像信息，通过无线通信模块将采集的图像数据信息分别传输到云端服务器、生物检测站及GPU图像识别分析处理模块中；
无线通信模块是用于数据输入输出的通信；
GPU图像识别分析处理模块是结合十万鸟类照片模型训练库信息，用于自动识别鸟类生物信息和对鸟群生存环境的分析处理，并将处理后的信息传输到生物检测站和云端服务器；
生物检测站是用于对科学研究鸟类提供专业性的知识辅助，完善及确定鸟类生物多样性评价的状况，并且将专业的知识体系评估的鸟类生物多样性信息传输到云端服务器中；
云端服务器是用于提供鸟类生物外貌特征图像，名称，鸟类生存、生长、繁殖和迁徙特点，以及栖息地、觅食、食物链的对应数字化信息，给软件进行数据更新和推送；
十万鸟类照片模型训练库是用于AI深度学习训练和建立评估识别鸟类生物的模型提供了数据基础。
2.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述前端超高清摄像头集成模块包括摄像机组单元是在观测点采用1-4台星光级6寸激光网络高清高速智能球机和热成像双光谱网络转台摄像机进行日常鸟类观测，以及采用1台长焦距为12.5-500mm的热成像双光谱加可见光网络转台摄像机进行实时监测；
鸟类生物多目标实时捕捉采集单元是用于实时同步采集获取多目标鸟类生物数据信息；
实时监测单元是用于实时监控、实时自动采集，采样频率为连续视频采样，也可通过照片数据进行分析，进一步获得鸟类种群状况数据；
日常人工维护设备检修单元是对户外环境中安装在观测点的摄像机组进行日常维护检修；
电力获取单元是采用太阳能和蓄电池结合使用的方式，利用太阳能吸收光源经过光伏电极板转换成电源，储备在蓄电池内，以及更换蓄电池给摄像机组提供日常拍摄鸟类生物图像的电能。
3.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述无线通信模块包括4G协议通信单元是通过摄像机组内的4G传输卡，将摄像机组采集鸟类生物图像视频的数据信息，经过端口协议传输到云端服务器、GPU图像识别分析处理模块及生物检测站内；
5G端口传输单元是通过云端服务器、GPU图像识别分析处理模块及生物检测站之间的端口连接，用于数据信息的输入输出。
4.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述GPU图像识别分析处理模块包括I/O信号单元是用于传输模拟信号和数字信号；
AI深度学习算法单元是利用人工智能技术搭建CNN神经网络，通过提取图像与视频中的局部特征，根据参数进行降维处理后输出自动识别的数据结果；
GPU图像处理自动识别分类单元是将鸟类生物图像进行分类检索、目标定位跟踪、图形分割、鸟类生物识别及图像分类的技术处理。
5.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述生物检测站包括有人工辅助识别单元是通过在生物检测站的计算机显示屏中展示出未识别的鸟类生物图像数据信息，结合专业观鸟机构与组织进行鸟类的识别，并评估生物多样性跟进保护；
人工整理生物多样性评价单元是在生物检测站内的管理员，承接专业观鸟机构与组织对鸟类的识别并评估的数据信息进行定期整理，利用5G网络通信技术，将整理后的数据信息上传到云端服务器，进行软件数据信息的更新。
6.根据权利要求1所述的一种鸟类观测站的观测识别系统，其特征在于：所述云端服务器包括云数据处理单元是建立在云端服务器上，用于海量数据信息进行分布式处理、并行处理、网络通信数据计算的云平台；
云存储单元是用于储存云数据处理单元中分类鸟类生物数据信息，而且能够给十万鸟类照片模型训练库的数据提供存储支撑。
7.根据权利要求1-6任意所述的一种鸟类观测站的观测识别方法，其特征在于：鸟类观测站的观测识别方法，其步骤如下：
S1、首先在跟踪捕捉鸟类图像的外界环境中，设置X处自动鸟类监测点，并在观测点采用若干个摄像机进行拍摄采集日常鸟类图像信息；
S2、在观测点，采用进行实时监测与处理鸟类生物的数据信息，其中，摄像头的电力获取采用太阳能和蓄电池结合使用的方式；
S3、然后利用摄像设备具有的4G传输卡，将鸟类生物的视频数据传至云服务器内，与生物多样性数据库平台进行信息研究分析；
S4、创建生物监测站，结合专业的鸟类专家进行人工辅助识别，并且评估生物多样性；
S5、最后管理员定期整理专家评估数据，获取鸟类生物多样性评价的状况信息，通过5G无线通信技术传输到云端服务器内。
8.根据权利要求7所述的一种鸟类观测站的观测识别方法，其特征在于：所述观测点是对被观测的鸟类生物栖息生活的物理环境进行实地考量，并在该环境中设立便于观测鸟类生物生长、繁殖、觅食、迁徙及环境分布的测量位置。
9.根据权利要求7所述的一种鸟类观测站的观测识别方法，其特征在于：所述生物多样性数据库平台是将鸟类观测站的观测识别系统及其方法服务于智能使用的软件中，该生物多样性数据库平台能够根据用户安装信息，计算未安装软件与用户已安装软件的关联值，并根据关联值向用户推荐安装软件，从而根据用户电脑中软件安装环境实现智能化、个性化的软件安装推荐，使得向用户推荐的未安装软件能较好的符合不同用户的需求。
CN202211682070.0A 2022-12-27 2022-12-27 一种鸟类观测站的观测识别系统及其方法 Pending CN116189076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211682070.0A CN116189076A (zh) 2022-12-27 2022-12-27 一种鸟类观测站的观测识别系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211682070.0A CN116189076A (zh) 2022-12-27 2022-12-27 一种鸟类观测站的观测识别系统及其方法

Publications (1)

Publication Number Publication Date
CN116189076A true CN116189076A (zh) 2023-05-30

Family

ID=86441354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211682070.0A Pending CN116189076A (zh) 2022-12-27 2022-12-27 一种鸟类观测站的观测识别系统及其方法

Country Status (1)

Country Link
CN (1) CN116189076A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611885A (zh) * 2023-11-17 2024-02-27 贵州省生物研究所 一种基于Canny边缘检测的候鸟生态调控方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611885A (zh) * 2023-11-17 2024-02-27 贵州省生物研究所 一种基于Canny边缘检测的候鸟生态调控方法

Similar Documents

Publication Publication Date Title
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN105208344A (zh) 分布式移动农业病虫害信息采集与诊断系统及嵌入式相机
SE545381C2 (en) Method for calculating the deviation relation of a population registered on image for calculating pest infestation on a bee population
CN114898405B (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN108924483A (zh) 一种基于深度学习技术的野外动物的自动监测系统和方法
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN114359727A (zh) 基于轻量级优化Yolo v4的茶叶病害识别方法及系统
Brocks et al. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras
CN112613438A (zh) 一种便携式柑橘在线测产仪
CN112348003A (zh) 基于深度卷积神经网络的飞机加油场景识别方法及系统
CN114898238A (zh) 一种野生动物遥感识别方法及装置
CN112613548A (zh) 基于弱监督学习的用户定制化目标检测方法、系统和存储介质
CN116189076A (zh) 一种鸟类观测站的观测识别系统及其方法
CN113822198A (zh) 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质
Shao et al. Research on automatic identification system of tobacco diseases
Sridharan et al. Deep learning-based ensemble model for classification of photovoltaic module visual faults
CN113763196A (zh) 一种基于改进YOLOv3的果园产量测定系统
Cao et al. Learning-based low-illumination image enhancer for underwater live crab detection
CN115222896B (zh) 三维重建方法、装置、电子设备及计算机可读存储介质
Meyer et al. For5g: Systematic approach for creating digital twins of cherry orchards
CN109558791B (zh) 一种基于图像识别的寻笋装置及方法
CN114241376A (zh) 行为识别模型训练和行为识别方法、装置、系统及介质
Stanski et al. Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome
US20220051154A1 (en) Method and apparatus for measuring plant trichomes
CN206863221U (zh) 一种气象观测站地面观测场探测环境自动评估系统

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