一种基于视觉图像的鸟类识别系统及方法与流程

1.本发明属于鸟类识别技术领域，具体涉及一种基于视觉图像的鸟类识别系统及方法。


背景技术：

2.由于网络的持续发展和存储技术的日益强大，可以提供给人们使用的各个种类的信息量也在极速的增长当中；传统的图像识别技术是基于特征的检测与分类，它需要大量的人工对图像进行注解，然后再进行图像的识别工作。
3.在鸟类分类方面，地球上鸟的种类繁多、分布广泛,目前全世界已知鸟的种类将近1万多种,分布在我国的已知鸟类也有1300多种；传统的分类方法不但工作强度大、时间周期长,而且很难在各位鸟类研究者之间进行数据共享,极大地阻碍了鸟类分类学的发展。
4.鸟类种类的分类是一个难题，使人类和计算机的视觉能力受到限制；随着生物数学的发展及计算机的广泛应用，传统分类完成了向数值分类及支序分类的过渡；在分类细则方面，尽管不同的鸟类具有相同的基本组成部分，但不同的鸟类在形状和外观上可能会发生巨大变化；同时，即使是专业的观鸟者，其他鸟类几乎在视觉上也无法区分。
5.当今世界，科技发展日新月异，科技和人们的生活紧密结合，人们也越来越依赖科技；图像识别已日渐成为研究热点，随着科研人员的不断努力，该技术已广泛应用到我们生活中的各个方面；图像识别这个概念简而言之就是我们利用计算机中的相关技术提取图像的某些特征，然后再进行数据的处理和分析，去识别用户所提供的目标图像的技术；近些年以来，图像识别的技术走向成熟,关于它的相关技术也开始在很大的领域里面盛行；我们可以通过计算机高速的计算能力来解决这些领域中的技术难题；在鸟类研究方面，经常需要对一些鸟类的品种进行识别，分类，然后再进行相应的处理。
6.申请号为202011400037.5的一种基于大数据训练的鸟类图像识别系统及方法，该专利公开了包括信息处理模块、移动端、图像数据库、粗图像数据集、候选图像集和模型训练模块，所述移动端与信息处理模块连接，所述粗图像数据集与信息处理模块连接，所述候选图像集与粗图像数据集连接，所述图像数据库与候选图像集连接，所述模型训练模块与图像数据库和信息处理模块连接；辅助湿地野生动物保护工作。
7.申请号为cn202210436664.7的一种基于计算机视觉的图像识别方法及系统该专利公开了包括以下步骤：步骤s1、在目标区域设置计算机主视觉和多组计算机副视觉，并基于计算机主视觉和计算机副视觉获取目标区域的主监测视频帧和多组副监测视频帧；步骤s2、在主监测视频帧和多组副监测视频帧中分别利用yolo v3模型检测出表征监测目标的主图像及主图像的位置坐标和表征监测目标的多个副图像及副图像的位置坐标。
8.现有的鸟类识别系统无法实现不同鸟类在不同生境和不同形态下的高精度判读。


技术实现要素：

9.本发明的目的在于提供一种基于视觉图像的鸟类识别系统及方法，实现不同鸟类
在不同生境和不同形态下的高精度算法判读，为自然保护区的鸟类监测提供自动化、智能化监测服务。
10.为实现上述目的，本发明提供如下技术方案：一种基于视觉图像的鸟类识别系统，包括
11.高空长焦摄像机，所述高空长焦摄像机部署在自然保护区，并用于对自然保护区的鸟类进行自动巡航抓拍和影像；
12.特征提取模型，所述特征提取模型用于提取鸟类特征；
13.数据预处理模型，所述数据预处理模型分别与高空长焦摄像机、特征提取模型通信连接，通过数据预处理模型对含有鸟类输入的图像或视频数据分别进行预处理，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；
14.特征分类模型，所述特征分类模型和特征提取模型通信连接，特征分类模型把输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；特征分类模型还用于得到影像中每只鸟的相对定位信息。
15.作为本发明的一种优选的技术方案，通过数据预处理模型对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理。
16.作为本发明的一种优选的技术方案，所述特征提取模型由四个相同结构的子模型组成，每个子模型都为下一模块提供特征提取结果。
17.作为本发明的一种优选的技术方案，每个子模型由embedding网络和poolformer网络构成。
18.作为本发明的一种优选的技术方案，每个poolformer网络包含了channel mlp网络、特征归一化(normalization)网络和特征级联(concatination)网络。
19.作为本发明的一种优选的技术方案，所述特征分类模型使用机器学习线性回归方法，得到影像中每只鸟的相对定位信息。
20.作为本发明的一种优选的技术方案，还包括与特征分类模型通信连接的移动端，分类后的鸟类个体结果，通过ajax返回给用户界面，再由数据库完成与安卓系统、ios系统、blackberry系统、kaios系统的对接，实现在移动端多用户访问的鸟类图形分类。
21.本发明还公开了一种基于视觉图像的鸟类识别方法，所述识别方法如下：
22.步骤一：将高空长焦摄像机部署在自然保护区，并通过高空长焦摄像机对自然保护区的鸟类进行自动巡航抓拍和影像；
23.步骤二：数据预处理模型对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理手段，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；
24.步骤三：特征提取模型采用深度学习神经网络设计思想，该模型由四个相同结构的子模型组成，每个子模型都为下一模块提供更加精细化的特征提取结果；每个子模型由embedding网络和poolformer网络构成，每个poolformer网络主要包含了channel mlp网络、特征归一化(normalization)网络和特征级联(concatination)网络；这些神经网络结构的创新搭配，能够有效的提取鸟类特征，为下一步特征分类模型提供精细化的高维特征向量；
25.步骤四：特征分类模型采用了神经网络思想，该模型采用了特征金字塔网络、特征
卷积网络、bottleneck网络，通过双向特征融合结构搭配而成，该模型能把上一个流程中输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；除此之外，还使用机器学习线性回归方法，得到影像中每只鸟的相对定位信息。
26.与现有技术相比，本发明的有益效果是：
27.通过此套鸟类识别算法，实现了不同鸟类在不同生境和不同形态下的高精度算法判读，为自然保护区的鸟类监测提供自动化、智能化监测服务；
28.分类后的鸟类个体结果，通过ajax返回给用户界面，再由数据库完成与安卓系统、ios系统、blackberry系统、kaios系统的对接，实现在移动端多用户访问的鸟类图形分类，使得鸟类识别的精确度更高。
附图说明
29.图1为本发明的鸟类识别算法结构示意图；
30.图2为本发明的神经网络结构的创新搭配图；
31.图3为本发明的特征金字塔网络、特征卷积网络、bottleneck网络，通过双向特征融合结构搭配而成图；
32.图4为本发明的方法流程图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明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前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.实施例1
35.请参阅图1-图3，为本发明的第一个实施例，该实施例提供一种基于视觉图像的鸟类识别系统，包括
36.高空长焦摄像机，高空长焦摄像机部署在自然保护区，并用于对自然保护区的鸟类进行自动巡航抓拍和影像；
37.特征提取模型，特征提取模型采用深度学习神经网络设计相关思想，该模型由四个相同结构的子模型组成，每个子模型都为下一模块提供更加精细化的特征提取结果；每个子模型由embedding网络和poolformer网络构成，每个poolformer网络主要包含了channel mlp网络、特征归一化(normalization)网络和特征级联(concatination)网络；这些神经网络结构的创新搭配，能够有效的提取鸟类特征，为下一步特征分类模型提供精细化的高维特征向量；
38.数据预处理模型，数据预处理模型分别与高空长焦摄像机、特征提取模型通信连接，数据预处理模型采用机器视觉相关理论和方法实现，即对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理手段，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；
39.特征分类模型，特征分类模型和特征提取模型通信连接，特征分类模型也采用了神经网络相关设计思想；该模型主要采用了特征金字塔网络、特征卷积网络、bottleneck网
络，通过双向特征融合结构搭配而成，该模型能把上一个流程中输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；除此之外，还使用机器学习线性回归相关方法，得到影像中每只鸟的相对定位信息。
40.本实施例中，优选的，还包括与特征分类模型通信连接的移动端，分类后的鸟类个体结果，通过ajax返回给用户界面，再由数据库完成与安卓系统、ios系统、blackberry系统、kaios系统的对接，实现在移动端多用户访问的鸟类图形分类；安卓系统由google公司开发的手机操作系统，当前在全球市场占据绝大多数份额，它可以被安装在国内外的绝大多数智能手机上；ios系统：由苹果公司开发的手机操作系统，专门用于苹果公司的iphone、ipad和ipod设备；blackberry系统：由加拿大黑莓公司开发的手机操作系统，主要应用于黑莓手机；kaios系统：一种基于linux内核和web技术的操作系统，主要应用于基础功能手机和入门级智能手机。
41.实施例2
42.请参阅图1-图4，为本发明的第二个实施例，该实施例基于上一个实施例，不同的是：
43.一种基于视觉图像的鸟类识别方法，包括如下步骤：
44.步骤一：将高空长焦摄像机部署在自然保护区，并通过高空长焦摄像机对自然保护区的鸟类进行自动巡航抓拍和影像；
45.步骤二：数据预处理模型对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理手段，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；
46.步骤三：特征提取模型采用深度学习神经网络设计思想，该模型由四个相同结构的子模型组成，每个子模型都为下一模块提供更加精细化的特征提取结果；每个子模型由embedding网络和poolformer网络构成，每个poolformer网络主要包含了channel mlp网络、特征归一化(normalization)网络和特征级联(concatination)网络；这些神经网络结构的创新搭配，能够有效的提取鸟类特征，为下一步特征分类模型提供精细化的高维特征向量；
47.步骤四：特征分类模型采用了神经网络思想，该模型采用了特征金字塔网络、特征卷积网络、bottleneck网络，通过双向特征融合结构搭配而成，该模型能把上一个流程中输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；除此之外，还使用机器学习线性回归方法，得到影像中每只鸟的相对定位信息。
48.鸟类监测通过部署在自然保护区的高空长焦摄像机对周边鸟类的自动巡航抓拍和智能识别，并运用人工智能视觉识别和ai边缘计算服务，将高空长焦摄像机捕捉到的鸟类图像进行每帧画面分割和检测识别，通过深度学习算法，提取各种鸟类体貌特征，实现了对视频画面中的运动鸟类进行多目标实时捕捉和自动识别分类。
49.ai智能鸟类监功能特点
50.动态取优和数据检索：支持通过人工分析取优照片存储和调阅，可根据设备情况和抓拍时间对数据进行检索；
51.特定物种识别：珍稀或濒危或特定物种ai识别图片展示，代表性特定物种ai识别动态视频展示，生态小环境监测数据展示，鸟类时空数据展示；
52.智能识别追踪：通过边缘ai高性能处理机对前端摄像机抓拍的鸟类进行ai识别和视频跟踪分析，可提供鸟类识别追踪结果和跟踪视频实时画面；通过边缘ai高性能处理机对图进行ai识别，识别鸟类种类和数量；
53.数据分析统计：提供鸟类监测设备基于时间和空间的数据分类统计，包括分布热力图、物种趋势统计、种群数量统计、时段监测统计、种类占比统计。
54.尽管已经示出和描述了本发明的实施例，详见上述详尽的描述，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于视觉图像的鸟类识别系统，其特征在于：包括高空长焦摄像机，所述高空长焦摄像机部署在自然保护区，并用于对自然保护区的鸟类进行自动巡航抓拍和影像；特征提取模型，所述特征提取模型用于提取鸟类特征；数据预处理模型，所述数据预处理模型分别与高空长焦摄像机、特征提取模型通信连接，通过数据预处理模型对含有鸟类输入的图像或视频数据分别进行预处理，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；特征分类模型，所述特征分类模型和特征提取模型通信连接，特征分类模型把输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；特征分类模型还用于得到影像中每只鸟的相对定位信息。2.根据权利要求1所述的一种基于视觉图像的鸟类识别系统，其特征在于：通过数据预处理模型对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理。3.根据权利要求1所述的一种基于视觉图像的鸟类识别系统，其特征在于：所述特征提取模型由四个相同结构的子模型组成，每个子模型都为下一模块提供特征提取结果。4.根据权利要求3所述的一种基于视觉图像的鸟类识别系统，其特征在于：每个子模型由embedding网络和poolformer网络构成。5.根据权利要求4所述的一种基于视觉图像的鸟类识别系统，其特征在于：每个poolformer网络包含了channel mlp网络、特征归一化(normalization)网络和特征级联(concatination)网络。6.根据权利要求1所述的一种基于视觉图像的鸟类识别系统，其特征在于：所述特征分类模型采用特征金字塔网络、特征卷积网络、bottleneck网络，通过双向特征融合结构搭配而成。7.根据权利要求1所述的一种基于视觉图像的鸟类识别系统，其特征在于：所述特征分类模型使用机器学习线性回归方法，得到影像中每只鸟的相对定位信息。8.根据权利要求1所述的一种基于视觉图像的鸟类识别系统，其特征在于：还包括与特征分类模型通信连接的移动端，分类后的鸟类个体结果，通过ajax返回给用户界面，再由数据库完成与安卓系统、ios系统、blackberry系统、kaios系统的对接，实现在移动端多用户访问的鸟类图形分类。9.一种基于视觉图像的鸟类识别方法，包括如权利要求1-8任一项所述系统中的高空长焦摄像机，其特征在于：所述识别方法如下：步骤一：将高空长焦摄像机部署在自然保护区，并通过高空长焦摄像机对自然保护区的鸟类进行自动巡航抓拍和影像；步骤二：数据预处理模型对含有鸟类输入的图像或视频数据分别进行双线性插值、高斯滤波、归一化、仿射变换预处理手段，实现初步过滤和处理输入的数据，为特征提取模型提供结构化信息；步骤三：特征提取模型采用深度学习神经网络设计思想，该模型由四个相同结构的子模型组成，每个子模型都为下一模块提供更加精细化的特征提取结果；每个子模型由embedding网络和poolformer网络构成，每个poolformer网络主要包含了channel mlp网
络、特征归一化(normalization)网络和特征级联(concatination)网络；这些神经网络结构的创新搭配，能够有效的提取鸟类特征，为下一步特征分类模型提供精细化的高维特征向量；步骤四：特征分类模型采用了神经网络思想，该模型采用了特征金字塔网络、特征卷积网络、bottleneck网络，通过双向特征融合结构搭配而成，该模型能把上一个流程中输出的高维信息进行特征分类，并对应到相应的鸟类物种，实现鸟类个体种类分类；除此之外，还使用机器学习线性回归方法，得到影像中每只鸟的相对定位信息。

技术总结
本发明公开了一种基于视觉图像的鸟类识别系统及方法，包括高空长焦摄像机，所述高空长焦摄像机部署在自然保护区，并用于对自然保护区的鸟类进行自动巡航抓拍和影像；特征提取模型，所述特征提取模型用于提取鸟类特征；本发明的有益效果是：通过此套鸟类识别算法，实现了不同鸟类在不同生境和不同形态下的高精度算法判读，为自然保护区的鸟类监测提供自动化、智能化监测服务；分类后的鸟类个体结果，通过ajax返回给用户界面，再由数据库完成与安卓系统、iOS系统、BlackBerry系统、KaiOS系统的对接，实现在移动端多用户访问的鸟类图形分类，使得鸟类识别的精确度更高。使得鸟类识别的精确度更高。使得鸟类识别的精确度更高。


技术研发人员：杜睿 董方杰 王雄 董方琦
受保护的技术使用者：西安雀凌飞信息技术有限公司
技术研发日：2023.06.29
技术公布日：2023/9/14