[发明专利]一种草原鼠情识别与量化方法和鼠情记录仪

权利要求书

1.一种基于深度学习模型的草原鼠情识别与量化方法，其特征在于，包括如下步骤：

(1)构建草原鼠情特征数据集，并对草原鼠情特征数据集进行目标手工标注，草原鼠情特征数据集用于鼠洞、鼠丘的特征提取和鼠种分类训练；

(2)通过草原鼠情特征数据集对深度学习模型进行鼠洞、鼠丘的特征提取训练和鼠种分类训练，分别得到鼠洞、鼠丘目标检测模型和鼠种分类检测模型；

(3)将待识别的鼠情图像输入到(2)中训练生成的模型中，对鼠情图像的特征进行提取，最终量化得到鼠情特征，鼠情特征包括调查样线或样地中鼠洞和鼠丘的数量、位置和鼠种分类，

深度学习模型的卷积神经网络包括多个特征提取模块和特征分析融合网络，多个特征提取模块逐层设置，高层特征通过上采样的方式逐层向下融合，然后自底向上通过下采样逐层融合较低层的特征，特征分析融合网络用于拼接多个特征提取模块融合后的多个不同尺度的特征，最终量化得到鼠情特征，

多个特征提取模块由高层到低层包括特征提取模块A、特征提取模块B、特征提取模块C和特征提取模块D，

所述特征提取模块A、特征提取模块B、特征提取模块C和特征提取模块D内均还包括有空间注意力模块S，空间注意力模块S设置在第二个和第三个卷积核之间，所述空间注意力模块S用于对图片的空间距离进行自主学习，

所述空间注意力模块S的使用过程如下：输入特征在通道维度采用平均池化和最大池化并将其进行连接获得二通道的特征，然后采用7x7的卷积降维为单通道，最后采用激活函数sigmoid进行非线性变换获得空间位置的权重信息,输入特征含有c通道；

特征分析融合网络的结果通过损失函数L进行误差分析，

所述深度学习模型的损失函数L如式1：

L＝L_conf+αL_loc    式1

其中，L_conf表示置信度损耗，L_loc表示鼠洞预测的定位损耗，由于两者尺度有差异，采用调整系数α进行调整，

定位损失采用Smooth L1损失函数，如式2：

对于每一个预测为正例的预测框计算其预测偏移和实际偏移的差值作为该预测框的定位损失，将所有正例的预测损失作为整体定位损失，定位损失的计算如式3：

其中，pos表示预测为正例的搜索框，表示预测的实际目标和搜索框的偏移信息，表示实际的目标和搜索框的偏移信息，cx,cy,h,w分别表示实际目标框和搜索框的位置偏移和大小偏移，

置信度损失采用softmax损失函数，如式4：

其中，表示搜索框i对于种类j的置信度，q表示搜索框i待预测的目标框的种类q，

所述鼠情特征还包括调查样线长度或样地面积，步骤(3)之后还包括有步骤(4)鼠情统计：统计鼠情图像中识别出鼠情特征，通过调查样线长度或样地面积计算监测面积，获取监测地区的单位鼠密度。

2.如权利要求1所述的基于深度学习模型的草原鼠情识别与量化方法，其特征在于，卷积神经网络的主干网选取为ResNet残差网络。

3.如权利要求1所述的基于深度学习模型的草原鼠情识别与量化方法，其特征在于，所述特征分析融合网络包括输出激活函数，输出激活函数具体RELU函数。

4.如权利要求1所述的基于深度学习模型的草原鼠情识别与量化方法，其特征在于，鼠情图像在输入深度学习模型前进行预处理，预处理包括执行以下操作：图像拼接和图像归一化。

5.如权利要求1所述的基于深度学习模型的草原鼠情识别与量化方法，其特征在于，所述深度学习模型通过以下步骤进行训练：

采集图像数据，并将图像数据进行标注以及预处理操作，按照4:2:1的分成训练集、验证集、测试集；

将预处理后的图像数据输入到深度学习模型中，调整深度学习模型中的参数，得到训练后的深度学习模型。

6.一种鼠情记录仪，其特征在于，包括：获取模块、确定模块、计算模块和展示模块，所述获取模块包括高清摄像头、所述确定模块包括GPS定位模块、测距模块光强度传感器和陀螺仪，所述计算模块包括核心处理器和算法处理器，所述展示模块包存储模块、无线通信模块、高亮屏、电容触摸屏、电池模组，所述获取模块、确定模块和展示模块内的各个元器件均与核心处理器电性连接，

所述核心处理器和算法处理器耦合运算实现权利要求1-5任一所述基于深度学习模型的草原鼠情识别与量化方法。