[发明专利]一种针对密集鸟群的深度学习以及识别方法

摘要

本发明公开了一种针对密集鸟群的深度学习以及识别方法，包括概率密度图生成流程以及全卷积神经网络的训练流程；概率密度图生成流程包括：将鸟群照片输入鸟群照片集；制定一个颜色表；对鸟群照片中所有鸟进行打点标记；使用高斯卷积将鸟群照片转换为连续密度函数；将连续密度函数与颜色表查表映射，得到对应的概率密度图A；全卷积神经网络的训练流程包括：将鸟群照片进行图像增加处理；得到鸟群图像；建立FCNN全卷积神经网络；获取对应的损失函数；将鸟群图像输入到神经网络中，得到概率密度图B；计算对应的损失函数的函数值，得出对应的权重值。显著效果:本发明使用基于概率的深度学习技术进行图像训练，从而估计出鸟类的数量。

主权项

1.一种针对密集鸟群的深度学习方法，其特征在于，包括鸟群照片的概率密度图生成流程以及全卷积神经网络的训练流程；鸟群照片的概率密度图生成流程包括如下步骤：步骤A1：建立鸟群照片集，将鸟群照片输入鸟群照片集；步骤A2：制定一个颜色表，该颜色表设置有对应的鸟类密度数值；步骤A3：依次从鸟群照片集中取出鸟群照片；步骤A4：使用标记工具人工对鸟群照片中所有鸟进行打点标记；步骤A5：使用自适应高斯卷积将标记的鸟群照片转换为连续密度函数；步骤A6：将连续密度函数的数值与颜色表的鸟类密度数值进行查表映射，得到对应的可视化的概率密度图A；步骤A7：判断是否还有未标记的鸟群照片，如果有转步骤A3，没有，则结束。全卷积神经网络的训练流程包括如下步骤：步骤B1：获取标记的鸟群照片集；步骤B2：将鸟群照片集中的鸟群照片进行图像增加处理；得到增加处理的鸟群图像；步骤B3：建立自定义的FCNN全卷积神经网络；步骤B4：获取FCNN全卷积神经网络对应的损失函数；步骤B5：确定损失函数的终止损失函数阈值以及迭代次数阈值；步骤B6：从鸟群照片集中依次取出鸟群图像，将鸟群图像输入到FCNN全卷积神经网络中，得到概率密度图B；步骤B7：根据概率密度图B和对应的概率密度图A，计算对应的损失函数的函数值，训练FCNN全卷积神经网络，得出对应的权重值；步骤B8：判断损失函数的函数值是否小于终止损失函数值，如果是转步骤B10，如果否，转步骤B9；步骤B9：判断损失函数的迭代次数是否大于迭代次数阈值；如果是转步骤B10，否则转步骤B6；步骤B10：保存该权重值作为最终权重值。