[发明专利]一种基于深度学习的野外生物追踪系统及方法

权利要求书

1.一种基于深度学习的野外生物追踪系统，其特征在于：该系统包含视频采集模块、视频预处理模块、太阳能充电模块、目标检测模块、无线数据传输模块和若干GPS模块，采用数据集利用caffe框架训练mobilenetv2-ssd模型，将训练好的mobilenetv2-ssd模型按照嵌入式框架NCNN的要求转换成适用于NCNN的模型，将目标检测模块的打框和目标检测模块部署到带有ARM核的FPGA的PS端，将计算密集型任务卷积实现部署到PL端，同时视频采集模块、视频预处理模块、太阳能充电模块、无线数据传输模块、若干GPS模块均部署到PS端。

2.根据权利要求1所述的基于深度学习的野外生物追踪系统，其特征在于：还包括系统错误恢复模块和系统告警模块，系统错误恢复模块和系统告警模块部署到PS端。

3.根据权利要求2所述的基于深度学习的野外生物追踪系统，其特征在于：所述视频采集模块和视频预处理模块将摄像头采集到的图像进行前端预处理，完成图像增强和图像压缩。

4.根据权利要求3所述的基于深度学习的野外生物追踪系统，其特征在于：所述无线传输模块将目标采集模块的结果传送到云端，在没有检测到目标时，无线传输模块的时钟为关闭状态。

5.根据权利要求4所述的基于深度学习的野外生物追踪系统，其特征在于：所述太阳能充电模块为系统提供额外的电力供应，太阳能充电模块始终处于开启状态。

6.一种基于深度学习的野外生物追踪方法，其特征在于：该方法采用权利要求1-5任一项权利要求所述的基于深度学习的野外生物追踪系统实现，针对具体野生动物，采集并标注野生动物数据，获取带有标签的该野生动物的数据集，利用caffe框架训练mobilenetv2-ssd模型，利用mobilenetv2-ssd模型转化工具转换到定点的推理框架NCNN上，然后将其中的打框和目标检测模块编译部署到带有多核ARM的FPGA的PS端，将计算密集型任务卷积实现部署到PL端，同时频采集模块、视频预处理模块、太阳能充电模块、无线数据传输模块、GPS模块也部署到PS端。

7.根据权利要求6所述的基于深度学习的野外生物追踪方法，其特征在于：该方法中还采用系统错误恢复模块和系统告警模块，系统错误恢复模块和系统告警模块用来提高系统的稳定性便于长时间在野外工作，同时可以通过云端对系统进行重启控制，系统错误恢复模块和系统告警模块部署到PS端。

8.根据权利要求7所述的基于深度学习的野外生物追踪方法，其特征在于：视频采集模块和视频预处理模块将摄像头采集到的图像进行前端预处理，完成图像增强和图像压缩。

9.根据权利要求8所述的基于深度学习的野外生物追踪方法，其特征在于：

所述无线传输模块将目标采集模块的结果传送到云端，在没有检测到目标时，无线传输模块的时钟为关闭状态；所述太阳能充电模块为系统提供额外的电力供应，延长系统的工作时间，太阳能充电模块始终处于开启状态。