CN117593766A - 基于无人机拍摄图像处理的野生动物种群数量的调查方法 - Google Patents
基于无人机拍摄图像处理的野生动物种群数量的调查方法 Download PDFInfo
- Publication number
- CN117593766A CN117593766A CN202311830191.XA CN202311830191A CN117593766A CN 117593766 A CN117593766 A CN 117593766A CN 202311830191 A CN202311830191 A CN 202311830191A CN 117593766 A CN117593766 A CN 117593766A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- image
- wild animals
- wild
- 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.)
- Granted
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000011835 investigation Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000004438 eyesight Effects 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析技术领域，公开了一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，方法包括：S1、确定野生动物种群数量调查的调查区域；S2、根据调查区域规划无人机飞行路线，以及飞行参数；S3、根据无人机飞行路线以及飞行参数控制无人机起飞，并采集无人机航拍图像；S4、对无人机航拍图像进行预处理，得到待识别的无人机航拍图像；S5、识别待识别的无人机航拍图像中的野生动物数量；S6、对所有无人机航拍图像执行S4‑S5，从而获得调查区域的野生动物的种群数量。提高了野生动物的识别精度，进而提高了野生动物种群数量的估算精度。
Description
技术领域
本发明涉及图像分析技术领域，尤其涉及一种基于无人机拍摄图像处理的野生动物种群数量的调查方法。
背景技术
自19世纪以来，由于人口的快速增长、人类活动的扩大以及自然资源的加速利用，自然生态系统的破坏、野生动植物的灭绝以及栖息地的破碎问题日益严重，全球对生物多样性保护的关注也相应增加。获取野生动物的种群数量对野生动物的保护具有极其重要的意义。
近年来随着无人机与遥感技术的结合，以较低的成本实现高精度信息数据的迅速获取，逐渐发展为国内外最热门的技术之一，为直接或间接从遥感数据中获取野生动物种群数量数据提供了可能。
现有技术中存在通过无人机航拍对野生动物种群数量进行调查，例如，中国发明专利（CN107194876A）公开了一种基于无人机航拍的大型野生动物种群数量调查方法，然而，上述方案在对无人机航拍图像进行野生动物识别时，通过人工的方式对图像中的野生动物进行识别，识别效率较低，且，现有技术中存在通过人工智能模型对图像识别的技术方案，上述的通过人工智能模型对图像识别的方案应用到无人机航拍图像的野生动物识别时，由于无人机拍摄的野生动物图像具有独特的特点，上述人工智能模型在应用到无人机航拍图像进行野生动物识别时，往往存在识别精度不高的技术问题。
因此，亟需一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，以提高野生动物的识别精度，进而提高了野生动物种群数量的估算精度。
发明内容
为了解决上述技术问题，本发明提供了一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，以提高野生动物的识别精度，进而提高了野生动物种群数量的估算精度。
本发明提供了一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，包括：
S1、确定野生动物种群数量调查的调查区域；
S2、根据调查区域规划无人机飞行路线，以及飞行参数；
S3、根据无人机飞行路线以及飞行参数控制无人机起飞，并采集无人机航拍图像；
S4、对无人机航拍图像进行预处理，得到待识别的无人机航拍图像；
S5、识别待识别的无人机航拍图像中的野生动物数量；
S51、根据待识别的无人机航拍图像中野生动物与背景环境的颜色对比度，将待识别的无人机航拍图像进行分类；分类的类别包括高对比度图像和低对比度图像；
S52、建立并训练野生动物识别深度学习模型；野生动物识别深度学习模型包括第一深度学习模型和第二深度学习模型；
S53、对待识别的无人机航拍图像进行判断，若待识别的无人机航拍图像为高对比度图像，则进入S54，若待识别的无人机航拍图像为低对比度图像，则进入S55；
S54、采用第一深度学习模型识别无人机航拍图像中野生动物的数量；
S55、采用第二深度学习模型识别无人机航拍图像中野生动物的数量；
S6、对所有无人机航拍图像执行S4-S5，从而获得调查区域的野生动物的种群数量。
进一步的，S2，无人机飞行路线覆盖所有由土地和/或草地覆被的区域；飞行参数包括：无人机架数、无人机续航时间、无人机飞行速度、分辨率。
进一步的，S2，无人机为设置有三轴机械云台和全向双目视觉感知系统的四翼无人机。
进一步的，S4，对无人机航拍图像进行预处理包括对无人机航拍图像进行图像去噪处理，图像去噪处理用于去除无人机航拍图像中的干扰像素。
进一步的，第一深度学习模型为卷积神经网络模型。
进一步的，卷积神经网络模型包括输入层、卷积层、激活层、池化层、全连接层；
其中，输入层用于接收高对比度图像；
卷积层用于通过卷积运算来提取特征；
激活层用于引入非线性因素；
池化层用于降采样；
全连接层用于输出高对比度图像中待观测野生动物的数量。
进一步的，第二深度学习模型为SSD检测网络模型。
进一步的，SSD检测网络模型以VGG-16网络为基础，将VGG-16网络中的第六层和第七层两个全连接层替换为卷积层，并将VGG-16网络的Dropout层中的第八个全连接层删除。
本发明实施例具有以下技术效果：
本发明在基于无人机拍摄图像识别野生动物种群数量时，根据发明人发现的野生动物和环境背景颜色不同的无人机航拍图像在输入至深度学习模型时，野生动物识别的准确度不高的技术问题，根据野生动物和环境背景颜色对比度不同，将无人机航拍图像分为了高对比度图像和低对比度图像；针对高对比度图像采用卷积神经网络模型进行野生动物的识别，对低对比度图像采用SSD检测模型进行野生动物的识别，从而提高了野生动物的识别精度，进而提高了野生动物种群数量的估算精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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方式，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它的附图。
图1是本发明实施例提供的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法的流程图；
图2是本发明实施例提供的一种识别预处理后的无人机航拍图像中的野生动物数量的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
实施例一，图1是本发明实施例提供的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法的流程图。参见图1，具体包括：
S1、确定野生动物种群数量调查的调查区域。
具体的，调查区域可以为三江源地区，以所述三江源地区的五条典型公路沿线分布的兽类及鸟类作为主要调查对象，获取所述兽类或者鸟类的动物种群的数量。
S2、根据调查区域规划无人机飞行路线，以及飞行参数。
具体的，根据调查区域规划无人机飞行路线以及飞行参数。示例性地，无人机飞行路线可以覆盖所有由土地和/或草地覆被的区域；飞行参数可以包括：无人机架数、无人机续航时间、无人机飞行速度、分辨率等。无人机为设置有三轴机械云台和全向双目视觉感知系统的四翼无人机，示例性地，无人机可以选用大疆御3（DJI Mavic 3）型4旋翼无人机。由于本实施例的野生动物种群数量调查区域较大，因此，可以采用抽样调查的方法设置无人机飞行路线。
S3、根据无人机飞行路线以及飞行参数控制无人机起飞，并采集无人机航拍图像。
示例性地，可在地面设置操控系统，用于控制无人机根据无人机飞行路线以及飞行参数飞行，并采集无人机航拍图像。
S4、对无人机航拍图像进行预处理，得到待识别的无人机航拍图像。
具体的，对无人机航拍图像进行预处理包括对无人机航拍图像进行图像去噪处理，图像去噪处理用于去除无人机航拍图像中的干扰像素，得到待识别的无人机航拍图像。
S5、识别待识别的无人机航拍图像中的野生动物数量。
具体的，一般通过目视解译法确定无人机航拍图像中的野生动物，即科研人员直接通过目视或者利用一些检测器械(如放大镜、立体镜等)判别地表物质在遥感影像上的视觉特征(如色调、色彩、纹理、形状、大小和阴影等)，并结合实践经验、逻辑分析以及合理的推算确定所述无人机航拍图像中是否存在野生动物；上述方案工作强度较大，耗费时间较多，且由于受科研人员的知识水平影响较大，最终可能导致不能准确识别出野生动物。
针对上述问题，本实施例通过深度学习模型对采集的无人机航拍图像进行识别，从而准确识别出无人机航拍图像中的野生动物以及数量，进而提高野生动物种群数量的估算精度。
具体的，图2是本发明实施例提供的一种识别预处理后的无人机航拍图像中的野生动物数量的流程图，参见图2，所述S5包括：
S51、根据待识别的无人机航拍图像中野生动物与背景环境的颜色对比度，将待识别的无人机航拍图像进行分类。
具体的，根据待识别的无人机航拍图像中的野生动物与背景环境的颜色对比度将待识别的无人机航拍图像分为高对比度图像和低对比度图像。
S52、建立并训练野生动物识别深度学习模型。
具体的，发明人在对深度学习模型识别无人机航拍图像中的野生动物进行研究的过程中发现，若野生动物与背景环境的颜色对比度较大，采用简单的深度学习模型即可准确识别出野生动物；若野生动物与背景环境的颜色对比度较小，此时，普通的深度学习模型可能并不能达到较好的识别效果，需要更为复杂和精确的模型和更为复杂的训练才能达到相对较好的识别效果，因此需要针对高对比度图像和低对比度图像分别训练相应的深度学习模型。
在本实施例中，野生动物识别深度学习模型包括第一深度学习模型和第二深度学习模型，其中，第一深度学习模型用于识别高对比度图像，并输出所述高对比度图像中待观测野生动物的数量，第二深度学习模型用于识别低对比度图像，并输出所述低对比度图像中待观测野生动物的数量。
进一步的，第一深度学习模型为卷积神经网络模型，卷积神经网络模型包括输入层、卷积层、激活层、池化层、全连接层。其中，输入层用于接收所述高对比度图像。卷积层通过卷积运算来提取特征。激活层用于引入非线性因素；示例性地，本实施例采用ReLU激活函数作为本模型的激活函数，ReLU激活函数的公式为：
其中，x为输入，max函数为取最大值函数，y为输出。池化层用于降采样；示例性地，本实施例采用最大池化进行降采样操作。全连接层用于输出所述高对比度图像中待观测野生动物的数量；示例性地，本实施例采用softmax函数作为全连接层的分类函数。
进一步的，若不存在待观测野生动物，则卷积神经网络模型输出为0；若存在待观测野生动物，则卷积神经网络模型输出为识别出的野生动物的具体数量。
进一步的，还可以搜集高对比度的无人机航拍图像，并进行人工标注作为数据集，对卷积神经网络训练，从而提高第一深度学习模型的识别准确度；具体的训练过程为现有技术，在此不进行赘述。
进一步的，第二深度学习模型为SSD检测网络模型，SSD检测网络模型以VGG-16网络为基础，将VGG-16网络中的第六层和第七层两个全连接层替换为卷积层，并将VGG-16网络的Dropout层中的第八个全连接层删除，从而获得更多的小尺度的特征信息，对不宜识别的目标具有较好的识别精度。
进一步的，在对所述SSD检测网络模型训练时，采用的训练集均为筛选出来的低对比度的无人机航拍图像，这样可使所述SSD检测网络模型更能适应于低对比度图像中的目标识别，识别效果更好，识别精度更高；并且，通过对筛选出来的低对比度的无人机航拍图像进行图像增强操作，增加训练集的数量，可以使得所述SSD检测网络模型训练更为充分，从而进一步提高了低对比度图像中野生动物的识别精度。其中，图像增强操作包括：图像平移、图像翻转、图像旋转等。
S53、对待识别的无人机航拍图像进行判断，若待识别的无人机航拍图像为高对比度图像，则进入S54，若待识别的无人机航拍图像为低对比度图像，则进入S55。
S54、采用第一深度学习模型识别无人机航拍图像中野生动物的数量。
S55、采用第二深度学习模型识别无人机航拍图像中野生动物的数量。
S6、对所有无人机航拍图像执行S4-S5，从而获得调查区域的野生动物的种群数量。
本发明在基于无人机拍摄图像识别野生动物种群数量时，根据发明人发现的野生动物和环境背景颜色不同的无人机航拍图像在输入至深度学习模型时，野生动物识别的准确度不高的技术问题，根据野生动物和环境背景颜色对比度不同，将无人机航拍图像分为了高对比度图像和低对比度图像；针对高对比度图像采用卷积神经网络模型进行野生动物的识别，对低对比度图像采用SSD检测网络模型进行野生动物的识别，从而提高了野生动物的识别精度，进而提高了野生动物种群数量的估算精度。
实施例二，本实施例包括一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行实施例一的一种使用遥感影像观测野生动物种群数量的调查方法。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文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。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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它要素，或者是还包括为这种过程、方法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，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (8)
1.一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，包括如下步骤：
S1、确定野生动物种群数量调查的调查区域；
S2、根据所述调查区域规划无人机飞行路线，以及飞行参数；
S3、根据所述无人机飞行路线以及所述飞行参数控制无人机起飞，并采集无人机航拍图像；
S4、对所述无人机航拍图像进行预处理，得到待识别的无人机航拍图像；
S5、识别所述待识别的无人机航拍图像中的野生动物数量；
S51、根据所述待识别的无人机航拍图像中野生动物与背景环境的颜色对比度，将所述待识别的无人机航拍图像进行分类；所述分类的类别包括高对比度图像和低对比度图像；
S52、建立并训练野生动物识别深度学习模型；所述野生动物识别深度学习模型包括第一深度学习模型和第二深度学习模型；
S53、对所述待识别的无人机航拍图像进行判断，若所述待识别的无人机航拍图像为高对比度图像，则进入S54，若所述待识别的无人机航拍图像为低对比度图像，则进入S55；
S54、采用所述第一深度学习模型识别所述无人机航拍图像中野生动物的数量；
S55、采用所述第二深度学习模型识别所述无人机航拍图像中野生动物的数量；
S6、对所有所述无人机航拍图像执行所述S4-S5，从而获得所述调查区域的野生动物的种群数量。
2.根据权利要求1所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述S2，所述无人机飞行路线覆盖所有由土地和/或草地覆被的区域；所述飞行参数包括：无人机架数、无人机续航时间、无人机飞行速度、分辨率。
3.根据权利要求1所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述S2，所述无人机为设置有三轴机械云台和全向双目视觉感知系统的四翼无人机。
4.根据权利要求1所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述S4，所述对所述无人机航拍图像进行预处理包括对所述无人机航拍图像进行图像去噪处理，所述图像去噪处理用于去除所述无人机航拍图像中的干扰像素。
5.根据权利要求1所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述第一深度学习模型为卷积神经网络模型。
6.根据权利要求5所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述卷积神经网络模型包括输入层、卷积层、激活层、池化层、全连接层；
其中，所述输入层用于接收所述高对比度图像；
所述卷积层用于通过卷积运算来提取特征；
所述激活层用于引入非线性因素；
所述池化层用于降采样；
所述全连接层用于输出所述高对比度图像中待观测野生动物的数量。
7.根据权利要求1所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述第二深度学习模型为SSD检测网络模型。
8.根据权利要求7所述的一种基于无人机拍摄图像处理的野生动物种群数量的调查方法，其特征在于，所述SSD检测网络模型以VGG-16网络为基础，将所述VGG-16网络中的第六层和第七层两个全连接层替换为卷积层，并将所述VGG-16网络的Dropout层中的第八个全连接层删除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830191.XA CN117593766B (zh) | 2023-12-28 | 2023-12-28 | 基于无人机拍摄图像处理的野生动物种群数量的调查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830191.XA CN117593766B (zh) | 2023-12-28 | 2023-12-28 | 基于无人机拍摄图像处理的野生动物种群数量的调查方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117593766A true CN117593766A (zh) | 2024-02-23 |
| CN117593766B CN117593766B (zh) | 2024-04-02 |
Family
ID=89918493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311830191.XA Active CN117593766B (zh) | 2023-12-28 | 2023-12-28 | 基于无人机拍摄图像处理的野生动物种群数量的调查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593766B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789254A (zh) * | 2024-02-27 | 2024-03-29 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007272420A (ja) * | 2006-03-30 | 2007-10-18 | Toyota Central Res & Dev Lab Inc | 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム |
| JP2012068965A (ja) * | 2010-09-24 | 2012-04-05 | Denso Corp | 画像認識装置 |
| CN109978962A (zh) * | 2019-04-09 | 2019-07-05 | 广州市交通高级技工学校（广州市交通技师学院） | 一种面向暗室照度计检定的低对比度示值图像智能识别方法 |
| CN110555371A (zh) * | 2019-07-19 | 2019-12-10 | 华瑞新智科技（北京）有限公司 | 一种基于无人机的野生动物信息获取方法和装置 |
| CN113642577A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市爱深盈通信息技术有限公司 | 一种低对比度的车牌识别方法、系统、设备及存储介质 |
| CN113794899A (zh) * | 2021-08-31 | 2021-12-14 | 新华三大数据技术有限公司 | 云桌面图像数据传输方法、装置、设备及存储介质 |
| CN115527130A (zh) * | 2022-09-20 | 2022-12-27 | 中国农业科学院农业信息研究所 | 草原害鼠鼠密度调查方法及智能评估系统 |
| CN116778531A (zh) * | 2023-08-08 | 2023-09-19 | 苏州唯农科技有限公司 | 一种基于Yolov5-ASFF的肉牛脸部识别方法 |
-
2023
- 2023-12-28 CN CN202311830191.XA patent/CN117593766B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007272420A (ja) * | 2006-03-30 | 2007-10-18 | Toyota Central Res & Dev Lab Inc | 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム |
| JP2012068965A (ja) * | 2010-09-24 | 2012-04-05 | Denso Corp | 画像認識装置 |
| CN109978962A (zh) * | 2019-04-09 | 2019-07-05 | 广州市交通高级技工学校（广州市交通技师学院） | 一种面向暗室照度计检定的低对比度示值图像智能识别方法 |
| CN110555371A (zh) * | 2019-07-19 | 2019-12-10 | 华瑞新智科技（北京）有限公司 | 一种基于无人机的野生动物信息获取方法和装置 |
| CN113794899A (zh) * | 2021-08-31 | 2021-12-14 | 新华三大数据技术有限公司 | 云桌面图像数据传输方法、装置、设备及存储介质 |
| CN113642577A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市爱深盈通信息技术有限公司 | 一种低对比度的车牌识别方法、系统、设备及存储介质 |
| CN115527130A (zh) * | 2022-09-20 | 2022-12-27 | 中国农业科学院农业信息研究所 | 草原害鼠鼠密度调查方法及智能评估系统 |
| CN116778531A (zh) * | 2023-08-08 | 2023-09-19 | 苏州唯农科技有限公司 | 一种基于Yolov5-ASFF的肉牛脸部识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| KRISTINA RANCIC ET.AL: "Animal Detection and Counting from UAV Images Using Convolutional Neural Networks", 《DRONES》, 6 March 2023 (2023-03-06), pages 2 - 25 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789254A (zh) * | 2024-02-27 | 2024-03-29 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
| CN117789254B (zh) * | 2024-02-27 | 2024-04-26 | 深圳坤元生态科技有限公司 | 一种基于无人机的野生动物族群评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117593766B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Corcoran et al. | Automated detection of koalas using low-level aerial surveillance and machine learning | |
| Roosjen et al. | Deep learning for automated detection of Drosophila suzukii: potential for UAV‐based monitoring | |
| RU2735151C2 (ru) | Распознавание сорняков в естественной среде | |
| CN108369635B (zh) | 用于航空图像获取与分析的方法 | |
| Dujon et al. | Machine learning to detect marine animals in UAV imagery: effect of morphology, spacing, behaviour and habitat | |
| CN117593766B (zh) | 基于无人机拍摄图像处理的野生动物种群数量的调查方法 | |
| CN111340141A (zh) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 | |
| Millan et al. | On‐the‐Go Grapevine Yield Estimation Using Image Analysis and Boolean Model | |
| CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
| Diago et al. | On‐the‐go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis | |
| CN114898238B (zh) | 一种野生动物遥感识别方法及装置 | |
| Li et al. | An intelligent monitoring system of diseases and pests on rice canopy | |
| Lyu et al. | Development of phenotyping system using low altitude UAV imagery and deep learning | |
| Guo et al. | A novel invasive plant detection approach using time series images from unmanned aerial systems based on convolutional and recurrent neural networks | |
| Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
| Bharathiraja et al. | Prediction of Plant Leaf Diseases using Drone and Image Processing Techniques | |
| Greco et al. | Methodology for measuring dendrometric parameters in a mediterranean forest with UAVs flying inside forest | |
| CN112215714B (zh) | 基于无人机的稻穗检测方法及装置 | |
| Sandhu et al. | Plant disease detection using ML and UAV | |
| CN117392535A (zh) | 一种面向复杂环境的果树花芽目标检测与白点率估算方法 | |
| CN117218553A (zh) | 一种植物保护监控系统控制方法及相关设备 | |
| CN115294562A (zh) | 一种植保机器人作业环境智能感知方法 | |
| KR20230046029A (ko) | 인공 위성 취득 정보 기반 농작물 정보 제어 시스템 및 인공 위성 취득 정보 기반 농작물 정보 제어 방법 | |
| Guan et al. | Extraction of Pig Farms From GaoFen Satellite Images Based on Deep Learning | |
| Khidher et al. | Automatic trees density classification using deep learning of unmanned aerial vehicles images |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |