CN117611885A - 一种基于Canny边缘检测的候鸟生态调控方法 - Google Patents
一种基于Canny边缘检测的候鸟生态调控方法 Download PDFInfo
- Publication number
- CN117611885A CN117611885A CN202311534754.0A CN202311534754A CN117611885A CN 117611885 A CN117611885 A CN 117611885A CN 202311534754 A CN202311534754 A CN 202311534754A CN 117611885 A CN117611885 A CN 117611885A
- Authority
- CN
- China
- Prior art keywords
- waiting
- bird
- edge detection
- canny edge
- image
- 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 43
- 238000003708 edge detection Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 241000271566 Aves Species 0.000 description 55
- 241000272517 Anseriformes Species 0.000 description 10
- 244000025254 Cannabis sativa Species 0.000 description 8
- 241000272814 Anser sp. Species 0.000 description 7
- 238000013508 migration Methods 0.000 description 7
- 230000005012 migration Effects 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000036544 posture Effects 0.000 description 5
- 230000004634 feeding behavior Effects 0.000 description 4
- 241000269799 Perca fluviatilis Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001617 migratory effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010015150 Erythema Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000962283 Turdus iliacus Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06V10/40—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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
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)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Canny边缘检测的候鸟生态调控方法,该方法包括:划定湿地生态圈范围,采集湿地生态圈范围内候鸟活动的图像信息;建立候鸟分类器模型并对其进行训练,使用Canny边缘检测提取候鸟图像特征信息;根据提取的候鸟图像特征信息,构建候鸟活动数据集,该数据集至少包括湿地生态圈范围内活动的候鸟种类、数量、活动时间段,栖息地;根据候鸟活动数据集与湿地生态圈范围水位对比变化数据,进行人工投食或者水位调控。本发明可以提高候鸟识别的准确性,并且基于所识别的信息提出了湿地生态重建或者修复的思路。
Description
技术领域
本发明属于大数据、生态环境保护等相关交叉技术领域,尤其是涉及到使用卷积神经网络(CNN)和Canny边缘检测等技术进行候鸟的信息识别和提取,并且将其结合湿地水位变化信息应用于湿地候鸟食物链的重建或者修复等技术。
背景技术
候鸟的迁徙行为对维护生态系统平衡具有重要的作用。目前,候鸟保护面临的最大威胁是栖息地大量减小,很多候鸟停歇地、越冬地和繁殖地由于内陆水源和湿地的过度消耗和填埋,导致候鸟栖息地面积不断的缩减,严重阻碍了候鸟群体的生成和扩大。另一方面,由于交通运输、工农业生产等造成的环境污染,也对候鸟的栖息地产生了不利影响。现代化农业种植使用的化肥、农药通过土壤和水体的富集,导致很多天然湿地食物链的破坏,大量水生生物死亡,不仅使候鸟的食物减少,生存环境下降,还严重损害了候鸟的健康,影响了候鸟的生存和繁殖(“候鸟保护的现状与对策探讨”,曾艳梅,绿色科技,2015年11月)。
然而,候鸟的监测是一件难度极大的工作。一来候鸟行踪难测,栖息地多变,分散的监控点难以精确捕捉到足够的信息。二来候鸟种类繁多,人工识别困难,需要许多专业的候鸟工作者长期跟踪调查获取足够多的资料才能进行初步的推测。近年来,随着一些新技术的研发,结合大数据和人工智能等前沿技术的候鸟监测和识别方法为湿地候鸟的识别的保护提供了新的途径。自动化的图像识别技术可以更快速地处理大量图像,并且在准确度上有很大的提升。这可以帮助研究人员更好地了解候鸟种群的分布、数量变化以及栖息地的适宜性和质量。
譬如中国专利文献公开号为CN112396626A(一种用于监测候鸟迁徙的序列图像种群识别方法)、CN116740646A(监测候鸟栖息地的群体识别方法及系统)、CN109658948A(一种面向候鸟迁徙活动的声学监测方法)等资料对此都有所涉猎。通过对候鸟图像进行识别和统计数量,我们可以了解湿地中不同候鸟的种类和数量,从而评估湿地生态系统的健康状况,这有助于保护和管理湿地资源,确保候鸟及其栖息地得到适当的保护;其次,通过对候鸟图像进行识别和统计活动期(如迁徙季节)可以提供候鸟的迁徙路径和活动规律等关键信息。因此,利用大数据与人工智能技术对湿地区域内的候鸟图像进行识别并统计数量、活动期和栖息地,可以为湿地保护和管理提供重要的依据。这对于维护生物多样性、促进可持续发展以及实现生态平衡具有重要意义。
尽管使用人工智能模型在候鸟图像识别方面取得了重要进展,但对于一些外观相似的物种,存在分类准确率较低,辨识困难的问题,同时,模型的泛化能力也有待提升。因此,如何提高算法对这些物种进行识别的准确性仍然是一个挑战。另一方面,对于候鸟准确识别后,如何用于候鸟的生态调控,以实现对珍稀濒危鸟类的保护,也是一项十分有意义的工作。
发明内容
为了解决上述问题,本发明提供了一种基于Canny边缘检测的候鸟生态调控方法,可以提高候鸟识别的准确性,并且基于所识别的信息提出了湿地生态重建或者修复的思路。
本发明主要解决几个方面的问题,第一方面,需要统计某一个确定区域的候鸟活动的种类、数量和主要栖息地。由于候鸟具有迁徙性,它们通常不会在同一地区长期居住,而不同类别的候鸟的迁徙习性和生活习性均有差别,要了解某一个确定区域内所有候鸟的种类、数量等数据难度十分大。大部分候鸟的主要生活区域在各种湿地环境,因为湿地环境提供了候鸟生活所需的大量食物。因此,本发明首先需要划定湿地生态圈范围,采集湿地生态圈范围内候鸟活动的图像信息。
首先,需要收集丰富的湿地相关数据。这可能包括但不限于卫星影像、地形地貌数据、水文数据、植被数据、土地利用数据等。这些数据可以通过政府部门、科研机构、环保组织等渠道获取。然后将收集到的各类数据进行处理和分析。这可能包括遥感影像解译、地形地貌分析、水文模拟等。利用遥感影像可以快速识别出湿地的分布情况,通过地形地貌分析可以揭示湿地形成和演变的规律,水文模拟可以模拟湿地的水文过程。根据分析得出的数据,可以确定湿地生态圈的范围。这可能需要考虑湿地的类型、分布、面积、生态状况等多个因素。
在确定了湿地生态圈的范围后,可以在该生态圈中按一定密度布置好的高清摄像头等设备进行图像信息的采集。这些设备可以安装在湿地生态圈的重点区域,以捕捉候鸟活动的图像信息,也可以按照一定的时间和路线规律采用无人机进行拍摄。采集到的图像信息通过网络等方式上传到一个统一的服务器,然后构建图像资料库。
第二方面,在获得足够的候鸟图片的情况下,需要建立候鸟分类器模型并对其进行训练,使用Canny边缘检测提取候鸟图像特征信息;根据提取的候鸟图像特征信息,构建候鸟活动数据集,该数据集至少包括湿地生态圈范围内活动的候鸟种类、数量、活动时间段,栖息地等。
其中,候鸟分类器模型的建立包括将采集到的候鸟活动的图像信息整理成一个数据集;数据集包括每个候鸟的正面、侧面、反面在内的多个角度的图像,并且每种候鸟的数量平衡;对图像数据进行预处理,包括裁剪、缩放、归一化,使得数据集中的所有图像都具有相同的尺寸和像素值范围;选择卷积神经网络CNN进行分类器模型的构建,将数据集划分成训练集和验证集,使用训练集对模型进行训练,通过不断调整模型参数和优化模型结构,使得模型的分类准确率逐渐提高;使用验证集对训练好的模型进行评估,计算包括模型的准确率和召回率在内的指标,以评估模型的性能;根据评估结果对模型进行优化。
本发明实现卷积神经网络CNN架构,包含三个卷积层,得到一个新的卷积神经网络,多层卷积堆叠在一起以学习一组丰富的属性。
作为进一步的优选方案,三个卷积层中卷积核大小分别为3×3,3×3,1×1;池化层都使用最大池化,池化步长为2;激活函数使用ReLU函数,表示为公式(1),在卷积层后加入Dropout层用于防止过拟合,表示为公式(2),dropout值为0.25;使用Softmax分类器预测类别,表示为公式(3);
f(x)=max(0,x) (1)
其中,式(1)里,x为输入值,f(x)为ReLU函数的输出值;式(2)里,x是输入向量,mask是与x维度相同的二进制向量,取值为0或1,表示随机关闭的神经元,keep_prob是保留神经元的概率;式(3)里,zi为第i个节点的输出值,C为输出节点的个数,即分类的类别个数;通过Softmax函数将多分类的输出值转换为范围在[0,1]和为1的概率分布。
在一些实施例中,以上步骤还包括:使用划分好的数据集对提出的卷积神经网络进行预训练,通过初始化网络参数对卷积神经网络的参数进行初始化;使用Adam优化器对模型进行参数调整,表示为公式(4),利用验证集对模型进行验证,训练N轮后,得到候鸟分类器模型:
其中,mt为当前step的一阶动量,mt-1为上一个step的一阶动量,nt为当前step的二阶动量,nt-1为上一个step的二阶动量,β1,β2分别为用于平滑m和n的平滑常数,gt为全部梯度的集合,和/>分别为对于mt和nt的偏差纠正,wt为更新参数。
应该注意的是,候鸟活动的图像信息还包括候鸟的颜色,候鸟的形态长宽比,候鸟的轮廓周长,栖息地,活动期;其中,候鸟的颜色、候鸟的形态长宽比和候鸟的轮廓周长根据拍摄的图像信息确定;候鸟的栖息地和活动期根据定点设置的监控设备自动获取。
在一些实施例中,使用Canny边缘检测提取候鸟图像特征信息包括:使用基于Canny边缘检测的分割方法将图片分割为前景和后景识别出鸟类的栖息地和活动期,通过分析图像中不同区域的颜色特征来进行分割;通过设置阈值,将图像中的不同颜色区域分割出来;使用颜色直方图RGB来提取鸟的颜色信息;使用Canny边缘检测提取鸟的轮廓并计算鸟的长宽比以及轮廓周长。
在一些实施例中,Canny边缘检测的执行过程还包括:采用高斯滤波对图像进行平滑操作以滤除噪声,如公式(5)所示;
其中,x和y为模板某位置相对于模板中心的坐标,σ为标准差;
1)计算图像灰度强度变化的梯度大小和方向,如公式(6)所示;
其中,Gx(x,y)和Gy(x,y)分别表示该点关于x方向和y方向上的梯度,θ(x,y)表示该点梯度的方向,表示该点梯度的幅值;
2)保留图像梯度强度的局部极大值,同时抑制其他点,使边缘清晰化,如公式(7)所示;
3)使用双阈值法对边缘进行连接,得到最后结果,如公式(8)所示;
其中,MH为大的阈值,ML为小的阈值;
如果梯度值大于大阈值,则认为其一定是边缘,称之为强边缘;处于两个阈值之间,称之为弱边缘;如果梯度低于小阈值,则认为一定不是边缘;于是,只需保留强边缘和弱边缘。最后,在分类后的数据集中进行检索,输出对应鸟类的种类、数量、活动期、栖息地等信息。该步骤可以大幅提高候鸟识别的准确性,并且降低数据处理的成本。
第三方面,当获得候鸟活动数据集后,需要根据这个数据集对候鸟的生态或者说是食物链进行人工干预,以避免因气候等原因导致的生态破坏造成候鸟数量降低,起到保护候鸟的目的。
水位动态变化影响着泥滩地和草本沼泽的出露,引起越冬水鸟栖息生境和觅食生境面积和结构的变化,对越冬水鸟的种类、数量和分布起到关键的作用,是影响湖泊湿地生态水文过程的重要因素之一。事实上,长江水资源保护科学研究所的发明专利CN111523089A曾提出过候鸟越冬期湖泊试验性水位调控方法,在该方法中,是利用测深仪获取湖泊水下地形数据,构建湖泊水位~湖容关系曲线,并通过闸控制下泄流量达到试验性水位。然而,在不确定候鸟的完整活动规律的情况下,单纯的采用下泄流量的方式来调控候鸟的生态系统,可能具有一定的盲目性,而且所付出的成本是很大的。同时,很多湿地环境也缺乏通过下泄流量来提升水位的条件。
在这种情况下,准确获取候鸟的活动规律数据,就能够为调控其生态食物链带来科学的指导。本发明通过Canny边缘检测,能够获知在哪个时间段,哪个区域可能会有哪几种候鸟栖息活动,在这个前提下,既可以通过调控水位的方法调控候鸟的生态环境,还可以通过人工投食的方法增加食物供应,因为通过Canny边缘检测已经知道了候鸟的种类和大致数量等信息,进行人工投食就有了针对性,不至于盲目投放造成浪费。根据候鸟活动数据集与湿地生态圈范围水位对比变化数据,进行人工投食或者水位调控。
因此,在本发明中,根据候鸟活动数据集与湿地生态圈范围水位对比变化数据,进行人工投食或者水位调控,是首先收集划定的湿地生态圈范围历史水位信息,按年度整理成水位数据集,根据一年内按日期记载的水位数据,与候鸟活动数据集中记载的候鸟活动时间段进行对比,当候鸟活动数据集中记载的某种候鸟活动时间段内,其栖息地的水位大幅低于该栖息地历史平均水位,则判断该种候鸟处于食物缺乏状态,从而进行人工投食,或者水位调控。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明提出的基于卷积神经网络(CNN)和Canny边缘检测的鸟类图像统计方法准确率更高,在高准确率的前提下,本发明可以结合水位信息、气温等干扰因素对候鸟生态系统进行人工干预和调节,对特定的珍稀濒危候鸟进行有目的的保护。
为了提升分类的准确率,本发明使用具有3层卷积层的卷积神经网络,在提升了分类准确率的同时,保证了模型的泛化能力,降低了过拟合的风险;而且,为了保证模型的泛化能力,在Softmax层之前加入dropout层以防止模型过拟合并保证模型对鸟类图像分类的准确率。
因此,本发明使用Canny边缘检测算法对图像的特征进行提取,在提高检测精度的同时能够达到更好地对鸟类信息进行统计的效果。对于外观相似的品种,也具有较高的识别准确性,而且能够进一步识别出候鸟的主要栖息地和栖息行为,根据识别获得的数据,就能够进行靶向的生态调控。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一个典型湿地生态圈划分及监控摄像设备布置示意图;
图2为本发明一实施例中的计算流程图;
图3为本发明一实施例中提供的卷积神经网络图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
在下文的描述中,出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是,相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况下来实践实施例。在其它情形下,与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此,在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外,特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
在以下描述中,为了清楚展示本发明的结构及工作方式,将借助诸多方向性词语进行描述,但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语,而不应当理解为限定性词语。
实施例1:
如图1所示,贵州威宁草海湿地位于贵州省威宁彝族回族苗族自治县县城西南侧,是我国亚热带高原湿地生态系统的典型代表。湖泊最大水深5.0m,平均水深2.4m,是由水域、沼泽、草甸以及丰富的水生动植物和水生生物群落组成的一个完整的高原湿地生态系统,是黑颈鹤等228种鸟类的重要越冬地及迁徙中转站,有“高原明珠”、“鸟类王国”等美誉。
草海地区在地质结构上位于黔西山字形西翼反射弧、威宁——水城大背斜向北弯曲的顶端部位,保护区地势西、南、东三面较高,自草海盆地中心向北逐渐降低,湖底海拔2170m,盆地四周地表集水区海拔在2200-2400m之间,地势起伏平缓。
每年到草海越冬的候鸟种类和数量众多,包括多种珍稀濒危物种,如黑颈鹤、斑头雁等。张海波等的调查研究表明:草海主要越冬水鸟30种,分属6目10科17属,区系上以古北型和全北型居多,雁形目水鸟在种类与数量上均占优势,白骨顶、赤颈鸭、斑头雁、赤麻鸭、赤膀鸭这5种水鸟优势度均达10%以上,黑颈鹤和灰鹤等珍稀水鸟也具一定的种群数量。浅水区是水鸟多样性最丰富的区域,多样性指数和均匀性指数均最高,而耕地最低。
在这样的条件下,采用本发明的方案在一定的时间,一定的区域内,将各种候鸟分类识别出来,并得到较为精确的数量和栖息地以及栖息取食行为的数据,从而通过人工干预的方式进行保护,是可行的。
首先,根据图1,划定湿地生态圈范围,如图1中所圈出的范围,该范围包括了羊关山以东,马产山以西的大部分浅水区域,北至苗家院子,南至顾家底下,也囊括了草海观鸟台的范围,包括了深水区、浅水区、草甸和农田等不同环境。在该范围内,按照一定的密度布置监控拍摄设备。
在地面采用固定式监控摄像头,水面采用无人机或者设置监控摄像头的浮船。如图1所示,将湿地生态圈范围通过格栅划分为密度相同的多个区域S1-S21,在每个区域内布置监控拍摄设备,在一定的时间段内连续采集大量的照片,并且录入系统。
对数据集进行清洗和标注,确保每张图像都有正确的鸟类标签,并进行适当的数据增强操作(如旋转、翻转、缩放等)来扩充数据量,将数据集划分为训练集、验证集和测试集,使用70-80%的数据作为训练集,10-15%的数据作为验证集,剩余的作为测试集,并对图像数据进行预处理,包括调整图像大小、归一化等操作。
如图2所示,构建适用于鸟类识别的卷积神经网络,利用现行数据,挑选经过人工识别的鸟类图片对模型进行训练,得到候鸟识别分类器。具体的,实现卷积神经网络(CNN)架构,其包含3层卷积层。
卷积核大小分别为3×3,3×3,1×1;池化层都使用最大池化,池化步长为2;激活函数使用ReLU函数,在卷积层后加入Dropout层用于防止过拟合,Dropout值为0.25;使用Softmax分类器预测所述类别。
使用训练集进行模型训练,采用Adam优化器和交叉熵损失函数进行模型参数的优化,得到候鸟识别分类器。使用划分好的数据集对提出的卷积神经网络进行预训练,通过初始化网络参数对卷积神经网络的参数进行初始化。
使用候鸟分类器模型对鸟类图片进行分类,使用Canny边缘检测提取鸟类图像特征信息,图像特征信息包括鸟的颜色,鸟的形态长宽比,鸟的轮廓周长,栖息地,活动期。步骤包括:
1)使用基于Canny边缘检测的分割方法将图片分割为前景和后景识别出鸟类的栖息地和活动期,通过分析图像中不同区域的颜色特征来进行分割。通过设置阈值,将图像中的不同颜色区域分割出来。
2)使用颜色直方图RGB来提取鸟的颜色信息。将RGB颜色空间转换为更合适的颜色空间。在RGB颜色空间中,颜色信息是分布在三个独立的通道中的(红色、绿色和蓝色),而在HSV或Lab颜色空间中,颜色信息是作为一个整体来处理的,这对于后续的直方图分析更有利。使用图像处理库来计算图像的颜色直方图。颜色直方图是一种统计工具,用于描述图像中各种颜色的出现频率。在颜色直方图中,每个颜色对应一个像素,每个像素的值对应直方图中的一个条形。从颜色直方图中提取有用的信息。包括颜色的分布、主要颜色、颜色的强度等。最后进一步的分析,包括分类、识别或聚类。
3)使用Canny边缘检测提取鸟的轮廓并计算鸟的长宽比以及轮廓周长。导入OpenCV和numpy库,读取包含鸟的图像,由于Canny边缘检测是在灰度图像上进行的,因此需要将输入图像从彩色图像转换为灰度图像。在进行Canny边缘检测之前,先对图像进行高斯滤波以去除噪声,对图像进行平滑操作。计算图像灰度强度变化的梯度大小和方向;保留图像梯度强度的局部极大值,同时抑制其他点,使边缘清晰化。使用Canny边缘检测算法来提取图像中的边缘轮廓,使用双阈值法对边缘进行连接,得到最后结果,这里设置MH=150,ML=50。最后在分类后的数据集中进行检索,输出对应候鸟的种类、数量、活动期、栖息地等信息。
更进一步的,通过录入不同候鸟姿态的照片,对模型进行更进一步的训练,使其能够识别候鸟的姿态,包括取食、栖息。如图3所示,以斑头雁为研究对象,通过本发明的模型识别,获得数据表明,斑头雁在草海地区春、秋、冬三季均有分布,而夏季罕见,春、秋、冬三季数量略有差异,数量最多时共采集到1966只,主要分布地是胡叶林和阳关山。
数据进一步表明,斑头雁主要姿态包括取食和栖息,其中取食姿态占53%,栖息姿态占41%,其中栖息行为主要发生在浅水沼泽区域,而取食行为主要发生在农田和草甸。栖息时分散为若干群落,每个群落几十只到二三百只不等。
另外,数据表明斑头雁的栖息地一般距离水源较近,湿地水位下降导致水域缩小的情况下,斑头雁的栖息地和取食范围将受到限制。
根据草海的水位资料表明,草海基本生态水位为2170.6m,以之作为基准水位,按照本发明实时监控得到的斑头雁数量,当某年度水位大幅低于该水位,同时Canny边缘检测识别到的斑头雁数量与以往并无明显变化,则可以考虑进行生态调控,在近水的草甸等位置进行人工投食,以确保斑头雁顺利越冬,起到保护的目的。
另一方面,还可以将气温因素纳入整个模型予以考虑。研究表明气温升高时,斑头雁栖息行为增加、取食行为减少,气温降低时则栖息行为减少取食行为增加。因此,在模型不断优化过程中,纳入更多的影响因素,从而使得生态调控更为科学和精确,避免盲目投食或者调控水位造成的资源浪费。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于Canny边缘检测的候鸟生态调控方法,其特征在于,该方法包括:划定湿地生态圈范围,采集湿地生态圈范围内候鸟活动的图像信息;建立候鸟分类器模型并对其进行训练,使用Canny边缘检测提取候鸟图像特征信息;根据提取的候鸟图像特征信息,构建候鸟活动数据集,该数据集至少包括湿地生态圈范围内活动的候鸟种类、数量、活动时间段,栖息地;根据候鸟活动数据集与湿地生态圈范围水位对比变化数据,进行人工投食或者水位调控。
2.根据权利要求1所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于,所述候鸟分类器模型的建立包括将采集到的候鸟活动的图像信息整理成一个数据集;数据集包括每个候鸟的正面、侧面、反面在内的多个角度的图像,并且每种候鸟的数量平衡;对图像数据进行预处理,包括裁剪、缩放、归一化,使得数据集中的所有图像都具有相同的尺寸和像素值范围;选择卷积神经网络CNN进行分类器模型的构建,将数据集划分成训练集和验证集,使用训练集对模型进行训练,通过不断调整模型参数和优化模型结构,使得模型的分类准确率逐渐提高;使用验证集对训练好的模型进行评估,计算包括模型的准确率和召回率在内的指标,以评估模型的性能;根据评估结果对模型进行优化。
3.根据权利要求2所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于,实现卷积神经网络CNN架构,包含三个卷积层,得到一个新的卷积神经网络,多层卷积堆叠在一起以学习一组丰富的属性。
4.根据权利要求3所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于,所述三个卷积层中卷积核大小分别为3×3,3×3,1×1;池化层都使用最大池化,池化步长为2;激活函数使用ReLU函数,表示为公式(1),在卷积层后加入Dropout层用于防止过拟合,表示为公式(2),dropout值为0.25;使用Softmax分类器预测类别,表示为公式(3);
f(x)=max(0,x) (1)
其中,式(1)里,x为输入值,f(x)为ReLU函数的输出值;式(2)里,x是输入向量,mask是与x维度相同的二进制向量,取值为0或1,表示随机关闭的神经元,keep_prob是保留神经元的概率;式(3)里,zi为第i个节点的输出值,C为输出节点的个数,即分类的类别个数;通过Softmax函数将多分类的输出值转换为范围在[0,1]和为1的概率分布。
5.根据权利要求2所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于还包括,使用划分好的数据集对提出的卷积神经网络进行预训练,通过初始化网络参数对卷积神经网络的参数进行初始化;使用Adam优化器对模型进行参数调整,表示为公式(4),利用验证集对模型进行验证,训练N轮后,得到候鸟分类器模型:
其中,mt为当前step的一阶动量,mt-1为上一个step的一阶动量,nt为当前step的二阶动量,nt-1为上一个step的二阶动量,β1,β2分别为用于平滑m和n的平滑常数,gt为全部梯度的集合,和/>分别为对于mt和nt的偏差纠正,wt为更新参数。
6.根据权利要求2所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于候鸟活动的图像信息还包括候鸟的颜色,候鸟的形态长宽比,候鸟的轮廓周长,栖息地,活动期;其中,候鸟的颜色、候鸟的形态长宽比和候鸟的轮廓周长根据拍摄的图像信息确定;候鸟的栖息地和活动期根据定点设置的监控设备自动获取。
7.根据权利要求1所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于:使用Canny边缘检测提取候鸟图像特征信息包括:使用基于Canny边缘检测的分割方法将图片分割为前景和后景识别出鸟类的栖息地和活动期,通过分析图像中不同区域的颜色特征来进行分割;通过设置阈值,将图像中的不同颜色区域分割出来;使用颜色直方图RGB来提取鸟的颜色信息;使用Canny边缘检测提取鸟的轮廓并计算鸟的长宽比以及轮廓周长。
8.根据权利要求2所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于:所述Canny边缘检测的执行过程还包括:采用高斯滤波对图像进行平滑操作以滤除噪声,如公式(5)所示;
其中,x和y为模板某位置相对于模板中心的坐标,σ为标准差;
1)计算图像灰度强度变化的梯度大小和方向,如公式(6)所示;
其中,Gx(x,y)和Gy(x,y)分别表示该点关于x方向和y方向上的梯度,θ(x,y)表示该点梯度的方向,表示该点梯度的幅值;
2)保留图像梯度强度的局部极大值,同时抑制其他点,使边缘清晰化,如公式(7)所示;
3)使用双阈值法对边缘进行连接,得到最后结果,如公式(8)所示;
其中,MH为大的阈值,ML为小的阈值。
9.根据权利要求8所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于:如果梯度值大于大阈值,则认为其一定是边缘,称之为强边缘;处于两个阈值之间,称之为弱边缘;如果梯度低于小阈值,则认为一定不是边缘;于是,只需保留强边缘和弱边缘。
10.根据权利要求2所述的基于Canny边缘检测的候鸟生态调控方法,其特征在于:所述根据候鸟活动数据集与湿地生态圈范围水位对比变化数据,进行人工投食或者水位调控,是首先收集划定的湿地生态圈范围历史水位信息,按年度整理成水位数据集,根据一年内按日期记载的水位数据,与候鸟活动数据集中记载的候鸟活动时间段进行对比,当候鸟活动数据集中记载的某种候鸟活动时间段内,其栖息地的水位大幅低于该栖息地历史平均水位,则判断该种候鸟处于食物缺乏状态,从而进行人工投食,或者水位调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311534754.0A CN117611885A (zh) | 2023-11-17 | 2023-11-17 | 一种基于Canny边缘检测的候鸟生态调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311534754.0A CN117611885A (zh) | 2023-11-17 | 2023-11-17 | 一种基于Canny边缘检测的候鸟生态调控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611885A true CN117611885A (zh) | 2024-02-27 |
Family
ID=89952690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311534754.0A Pending CN117611885A (zh) | 2023-11-17 | 2023-11-17 | 一种基于Canny边缘检测的候鸟生态调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611885A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809662A (zh) * | 2024-02-28 | 2024-04-02 | 江西师范大学 | 一种基于鸟类特征识别的栖息地环境调节方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215206A1 (zh) * | 2016-06-17 | 2017-12-21 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
CN109460774A (zh) * | 2018-09-18 | 2019-03-12 | 华中科技大学 | 一种基于改进的卷积神经网络的鸟类识别方法 |
CN109658948A (zh) * | 2018-12-21 | 2019-04-19 | 南京理工大学 | 一种面向候鸟迁徙活动的声学监测方法 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN112396626A (zh) * | 2020-12-24 | 2021-02-23 | 西安费斯达自动化工程有限公司 | 一种用于监测候鸟迁徙的序列图像种群识别方法 |
CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 |
CN116189076A (zh) * | 2022-12-27 | 2023-05-30 | 江苏世科环境发展有限公司 | 一种鸟类观测站的观测识别系统及其方法 |
CN116740646A (zh) * | 2023-07-07 | 2023-09-12 | 江西师范大学 | 监测候鸟栖息地的群体识别方法及系统 |
CN116883215A (zh) * | 2023-07-12 | 2023-10-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种考虑候鸟生境动态需求的湖泊湿地生态水文调控方法 |
-
2023
- 2023-11-17 CN CN202311534754.0A patent/CN117611885A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215206A1 (zh) * | 2016-06-17 | 2017-12-21 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN109460774A (zh) * | 2018-09-18 | 2019-03-12 | 华中科技大学 | 一种基于改进的卷积神经网络的鸟类识别方法 |
CN109658948A (zh) * | 2018-12-21 | 2019-04-19 | 南京理工大学 | 一种面向候鸟迁徙活动的声学监测方法 |
CN112396626A (zh) * | 2020-12-24 | 2021-02-23 | 西安费斯达自动化工程有限公司 | 一种用于监测候鸟迁徙的序列图像种群识别方法 |
CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 |
CN116189076A (zh) * | 2022-12-27 | 2023-05-30 | 江苏世科环境发展有限公司 | 一种鸟类观测站的观测识别系统及其方法 |
CN116740646A (zh) * | 2023-07-07 | 2023-09-12 | 江西师范大学 | 监测候鸟栖息地的群体识别方法及系统 |
CN116883215A (zh) * | 2023-07-12 | 2023-10-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种考虑候鸟生境动态需求的湖泊湿地生态水文调控方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809662A (zh) * | 2024-02-28 | 2024-04-02 | 江西师范大学 | 一种基于鸟类特征识别的栖息地环境调节方法和系统 |
CN117809662B (zh) * | 2024-02-28 | 2024-05-10 | 江西师范大学 | 一种基于鸟类特征识别的栖息地环境调节方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292298A (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
CN104899255B (zh) | 适用于训练深度卷积神经网络的图像数据库的构建方法 | |
Fan et al. | Automate fry counting using computer vision and multi-class least squares support vector machine | |
CN111598001B (zh) | 一种基于图像处理的苹果树病虫害的识别方法 | |
US11210515B2 (en) | Artificial intelligence based plantable blank spot detection | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
CN117611885A (zh) | 一种基于Canny边缘检测的候鸟生态调控方法 | |
Lainez et al. | Automated fingerlings counting using convolutional neural network | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN114548256A (zh) | 一种基于对比学习的小样本珍稀鸟类识别方法 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
Loresco et al. | Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup | |
Sun et al. | Prediction model for the number of crucian carp hypoxia based on the fusion of fish behavior and water environment factors | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及系统 | |
Yuan et al. | Sensitivity examination of YOLOv4 regarding test image distortion and training dataset attribute for apple flower bud classification | |
CN115082785A (zh) | 一种高原鼠兔型退化草甸秃斑特征的判别方法 | |
Xu et al. | Research on the lying pattern of grouped pigs using unsupervised clustering and deep learning | |
CN117079195B (zh) | 一种基于图像视频的野生动物识别方法和系统 | |
CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
CN117789037A (zh) | 作物生长期预测方法及装置 | |
CN113449712B (zh) | 一种基于改进Alexnet网络的羊脸识别方法 | |
CN117078637A (zh) | 基于上下文聚合与自蒸馏的鱼群计数方法及系统 | |
CN111897988B (zh) | 一种高光谱遥感图像分类方法及系统 |
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 |