一种基于卷积神经网络的鸟类识别方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110837771A(43)申请公布日2020.02.25(21)申请号201910875685.7G06N3/08(2006.01)(22)申请日2019.09.17(71)申请人常熟理工学院地址215500江苏省苏州市常熟市南三环路99号(72)发明人华斯亮徐健卞九辉华强张静亚刘玉申洪学鹍(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人吴静波(51)Int.Cl.G06K9/00(2006.01)G06K9/34(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于卷积神经网络的鸟类识别方法和装置(57)摘要本发明公开了一种基于卷积神经网络的鸟类识别方法，应用于一个或多个电子设备，所述方法包括以下步骤(1)采集端获取原始图片；(2)识别端接收照片；(3)对步骤(2)中接收的照片进行预处理，具体为优化的卷积神经网络MobileNetv2根据原始图像的像素，将图像进行具有重叠区域的分割、特征提取、特征选择和特征分类；(4)优化的目标识别模型识别预处理后的图像，并将识别结果按照切割大小和步长，拼接成原始图像的位置，对切割图像的重叠区域的识别结果做出融合处理；(5)对比鸟类图像的数据集识别鸟类并保存、统计；对于未识别出鸟类的照片，根据识别端的存储配置，可抛弃或保留或部分保留。本发明提供的上述方法，可有效提高图片的识别精度。CN110837771ACN110837771A权利要求书1/1页1.一种基于卷积神经网络的鸟类识别方法，应用于一个或多个电子设备，其特征在于：所述方法包括以下步骤(1)采集端获取原始图片；(2)识别端接收照片；(3)对步骤(2)中接收的照片进行预处理，具体为优化的卷积神经网络MobileNetv2根据原始图像的像素，将图像进行具有重叠区域的分割、特征提取、特征选择和特征分类；(4)优化的目标识别模型识别预处理后的图像，并将识别结果按照切割大小和步长，拼接成原始图像的位置，对切割图像的重叠区域的识别结果做出融合处理；(5)对比鸟类图像的数据集识别鸟类并保存、统计；对于未识别出鸟类的照片，根据识别端的存储配置，可抛弃或保留或部分保留。2.根据权利要求1所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：所述图片分辨率为1920像素*1080像素以上；图片格式为BMP、PNG、GIF和JPEG2000无损模式等无损编码格式。3.根据权利要求1或2所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：所述采集端通过有线或无线将图片传输至识别端；在通过无线传输的情况下，采用4G或5G移动通信传输。4.根据权利要求3所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：采集端的由树莓Pi、香蕉Pi、SwiftBoard、BeagleBoneBlac或CubieBoard等控制器控制。5.根据权利要求1所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：所述步骤(3)所述的优化的卷积神经网络具体为卷积神经网络MobileNetv2宽度因子为[0.5,1.5]，输入分辨为[160,512]。6.根据权利要求1或4或5所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：所述卷积神经网络MobileNetv2激活函数为ReLU6，其函数形式为min(max(0,x),6)。7.根据权利要求1所述的一张基于卷积神经网络的鸟类识别方法，其特征在于：所述目标识别模型为SSD，SSD通过若干个卷积层和全连接层，形成特征层，所述特征层用于提取目标类型和位置。8.根据权利要求1或7所述的一种基于卷积神经网络的鸟类识别方法，其特征在于：所述目标识别模型为或YOLOv3。9.一种基于卷积神经网络的鸟类识别装置，其特征在于：所述装置包括有线或无线连接的采集端、识别端；采集端包括摄像头、控制器，摄像头与控制器通信连接；摄像头采集图片，控制器接收并将图片传送至识别端；所述识别端具体为包含优化的卷积神经网络MobileNetv2的服务器，服务器接收图片，并对图片进行预处理；目标识别模型包含优化的卷积神经网络MobileNetv2，对预处理后的图片按照切割大小和步长，拼接成原始图像的位置，并对切割图像的重叠区域的识别结果做出融合处理，得到识别图片。10.根据权利要求9所述的一种基于卷积神经网络的鸟类识别装置，其特征在于：所述摄像头数量为一个以上，所述摄像头上设信号收发器。2CN110837771A说明书1/4页一种基于卷积神经网络的鸟类识别方法和装置技术领域[0001]本发明一种基于卷积神经网络的鸟类识别方法和装置。背景技术[0002]近年来，以卷积神经网络为代表的