[发明专利]一种野外场景下的鸟类检测系统

说明书

本发明公开了一种野外场景下的鸟类检测系统的检测方法包括：S1、采集实际场景下的视频数据和网络上已有的鸟类图片、视频数据；S2、对采集到的鸟类数据使用数据预处理软件进行数据预处理；S3、对处理好的鸟类图片数据集进行数据增强；S4、利用数据增强后的鸟类数据集和不包含鸟的背景数据集训练深度学习目标检测模型；S5、将训练好的目标检测模型部署在实际野外环境下的边缘设备上；S6、利用摄像机采集野外场景下的鸟类保护区视频数据；S7、使用深度学习目标检测模型按图像检测目标，将检测结果返回给中心服务器。本发明减少了人工检测的成本，提高了模型的检测效果，得到符合实际场景下的结果，减轻中心服务器的处理压力。

技术领域

本发明属于鸟类检测方法技术领域，具体涉及一种野外场景下的鸟类检测系统。

背景技术

保护区中鸟类的发现和统计一直是环境保护的一个重要内容。通过记录鸟群数量，鸟类出现时间以及停留时间，可以有效反映鸟群的当前健康状态，保护区的生态环境质量等等信息，方便专业人员开展环境保护工作。但是传统方法是通过人工对环境保护区中摄像机拍摄的视频数据进行分类和统计，这样的方法需要专家花费大量时间处理视频数据，耗时耗力，工作量很大。因此我们可以采用人工智能领域中基于深度学习的目标检测算法，自动检测保护区中出现的鸟类。

目标检测指的是在图像中找出感兴趣的目标，确定目标类别和位置，例如检测出图像中是否有鸟类并且标出鸟类在图像中的位置信息。传统的目标检测算法大多是人工设计滤波器对图像进行处理，只能提取浅层的特征，检测准确度低，在实际环境中会受到各种噪声干扰，泛化能力差。而深度学习模型在提取高层特征以及对复杂特征的表征能力上有着不俗的表现，近年来也出去越来越多的基于深度学习的目标检测算法。这类基于深度学习的目标检测算法可以自动提取特征，泛化能力更强，更适合在实际环境中部署应用。

目标检测任务关注检测的准确率和识别速度。由于检测图像的分辨率，目标大小，环境复杂程度的影响，会给目标检测带来很大的难度。最早出现的two-stage目标检测算法R-CNN将目标检测分为生成候选窗口和对候选窗口内的物体进行分类两个阶段，相较于传统方法在识别准确度上有了明显的提升，后续基于R-CNN提出了的一系列two-stage算法在一定程度上提高了检测的精确度和检测速度。但是由于自身的限制，两阶段的算法计算成本太高，一张图像检测时间过长，不符合实际应用，同时也不能利用局部目标在整体中的相对位置信息。研究人员因此提出了one-stage的目标检测算法，代表作就是YOLO系列，这类算法将整个流程放在一个网络中处理，直接得到候选区和目标类别，对检测速度有较大的提升。

考虑到环境保护区中环境复杂，目标鸟类体积小，边缘设备算力有限等一系列特点，根据现有的目标检测算法和实际场景设计一个野外场景下目标检测系统是很有必要的。

发明内容

本发明目的在于克服当前基于深度学习的目标检测方法在野外条件下应用存在的部分缺陷。

为了解决上述缺陷，本发明公开一个结合One-Stage目标检测模型，可以进行实际部署应用的野外场景下的鸟类检测系统。

为实现上述目的，本发明采用以下技术方案：

一种野外场景下的鸟类检测系统，该鸟类检测系统的检测方法包括：

S1、采集鸟类视频数据与鸟类图片数据；包括摄像机拍摄的与互联网中已有的未标注的鸟类数据D_{unlabeledbird}，采集来自互联网中公开的标注好的鸟类图片数据集D_labeled1，采集来自摄像机拍摄的不包含鸟的背景视频数据D_videoenv；