[发明专利]一种基于深度学习的野外生物追踪系统及方法

说明书

本发明公开了一种基于深度学习的野外生物追踪系统及方法，属于智能计算技术领域。本发明的基于深度学习的野外生物追踪系统，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。该发明的基于深度学习的野外生物追踪系统可以适应长时间的野外工作和数据传输工作，并且稳定性和准确率都较高，具有很好的推广应用价值。

技术领域

本发明涉及智能计算技术领域，具体提供一种基于深度学习的野外生物追踪系统及方法。

背景技术

FPGA(Field Programmable Gate Array)，即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC)领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。

采用CPU+FPGA的可重构架构的异构计算具有很多优势，例如：较高的性能、较大的灵活性、较低的功耗特性、天生的容错特性以及能够大大缩减产品开发周期等。采用FPGA来替代GPU作为未来高性能计算的加速器，应该是现阶段的FPGA异构智能计算发展的主旋律。

深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合，采用深度学习的图像识别算法相比于传统的算法准确率大大提高。

发明内容

本发明的技术任务是针对上述存在的问题，提供一种可以适应长时间的野外工作和数据传输工作，并且稳定性和准确率都较高的基于深度学习的野外生物追踪系统。

本发明进一步的技术任务是提供一种基于深度学习的野外生物追踪方法。

为实现上述目的，本发明提供了如下技术方案：

一种基于深度学习的野外生物追踪系统，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。

作为优选，该基于深度学习的野外生物追踪系统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。

作为优选，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。

作为优选，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。

作为优选，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。

一种基于深度学习的野外生物追踪方法，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。