[發明專利]一種基于深度學習和遷移學習的嚙齒動物識別分析的方法

有效

• 申請號: 202110478772.6
• 申請日: 2021-04-30
• 公開（公告）號: CN113283306B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 韓立亮
• 申請（專利權）人: 青島云智環境數據管理有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/25;G06V10/26;G06V10/44;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/088;G06T3/40
• 代理公司: 青島科通知橋知識產權代理事務所(普通合伙) 37273
• 代理人: 雷麗

本發明公開了一種基于深度學習和遷移學習的嚙齒動物識別分析的方法，屬于動物分類和圖像處理技術領域。包括以下步驟：S1：嚙齒動物視頻采集和預處理S2：嚙齒動物數據集制作；S3：嚙齒動物模型的構建和訓練；S4：嚙齒動物檢測；S5：嚙齒動物圖像裁剪和超分辨率重建；S6：嚙齒動物影像各部位分割；S7：數據清洗及各項身體指標數據計算；S8：嚙齒動物分類。本發明的有益效果：本發明基于深度學習方法實現了對嚙齒動物的檢測、分類和各部位的分割，并計算了嚙齒動物的各項身體指標數據，有效地提高了檢測嚙齒動物的準確率和效率，改變了傳統嚙齒動物分類的方式，并可以自動化地分割嚙齒動物的各部位，有助于開展動物保護及有害生物害防控工作。

技術領域

本發明涉及智能分析技術領域，特別涉及一種基于深度學習和遷移學習的嚙齒動物識別分析的方法。

背景技術

不同嚙齒動物種類的危害方式不同，則防治重點不同，傳統的監測手段以物理器械、化學藥劑為主，需要專業人員進行操作，耗費大量的勞動力，且人為操作存在差異，進而導致監測結果受主觀因素影響，監測效果較差。隨著大數據、物聯網、云計算、人工智能等學科技術不斷發展，通過采用圖像自動采集、數字圖像處理、人工智能識別、無線傳感傳輸等多項先進技術融合構建監測系統，對嚙齒動物活動情況進行監測管理，工作人員通過網絡監測到相關數據和圖片、視頻等信息，通過人工智能系統綜合分析得到準確的監測數據，可從更多維度數據進行研究，建立嚙齒動物種群動態預測預警模型，為生物多樣性保護提供數據支持。

隨著深度學習的不斷發展，一些基于深度學習的目標檢測和分割方法被提了出來。比如：YOLOv3、YOLOv4、faster?R-CNN、mask?R-CNN和YOLACT等，由于深度學習可以從大數據中自動學習圖像的各層特征，低級特征通常指圖像的邊緣、線方向和顏色等，而高級特征通常指某些成分的形狀和組合等。因此深度學習能夠較好地提取圖像的底層特征和高層的抽象特征，并將這些特征融合，從而為嚙齒動物分類提供有效充分的特征依據，同時，對嚙齒動物身體的各項指標進行計算，對研究嚙齒動物也同樣具有重要的意義。

發明內容

本發明的目的在于：利用深度學習和遷移學習對嚙齒動物進行識別分析。

為了實現上述目的，本發明提供了一種基于深度學習和遷移學習的嚙齒動物識別分析的方法，包括以下步驟：

S1：嚙齒動物視頻采集和預處理：通過視頻錄入系統采集嚙齒動物視頻數據，并對所述視頻數據進行預處理，得到圖像數據；

S2：嚙齒動物數據集制作：依據動物分類學和深度學習的基礎規則以及Mixup和CutMix的數據增強方法制作了嚙齒動物數據集；

S3：嚙齒動物模型的構建和訓練；

S4：嚙齒動物檢測：采用經過參數優化的檢測網絡對預處理的圖像數據進行檢測，得到嚙齒動物的最小外接矩形，去除背景和其它動物對分類和分割的影響；

S5：嚙齒動物圖像裁剪和超分辨率重建：

S51：根據嚙齒動物的外接矩形輪廓將圖像中的嚙齒動物裁剪下來；

S52：采用構建的嚙齒動物超分辨率重建網絡對裁剪的圖像進行超分辨率重建，以獲取高質量的超分辨重建的圖像數據；

S6：嚙齒動物影像各部位分割：采用參數優化的嚙齒動物分割網絡模型對S5中超分辨重建的圖像進行實例分割，得到嚙齒動物各部位分割結果；

S7：數據清洗及各項身體指標數據計算：

S71：根據動物分類學基礎規則、幾何形態結構以及采用的深度學習模型的優化參數，自動選取符合使用要求的特征數據；

S72：依據分割結果和視頻數據采集參數進行幾何形態測量，采用疊印法實現結果的圖形化，去除非形態變異的干擾，計算嚙齒動物身體的各項指標；