[发明专利]鸟类检测方法、装置、计算机设备及存储介质

说明书

本发明涉及鸟类检测方法、装置、计算机设备及存储介质，该方法包括获取待检测图像；将所述待检测图像输入至鸟类检测模型进行检测，以得到检测结果；反馈所述检测结果；其中，所述鸟类检测模型是采用带有鸟类标签的图像作为样本集二次训练深度学习网络所得的。本发明通过获取待检测图像后，经过鸟类检测模型检测图像内的鸟类情况，当检测结果表示为距离摄像头很近的鸟类时，可以根据反馈的检测结果进行后续的驱鸟等操作，当检测结果表示为小目标鸟类时，可根据后续实时检测结果再进行驱鸟操作，通过对鸟类检测模型的二次训练，实现不但能高精度检测近距离大像素的鸟类，更能准确的检测出远距离的小目标的鸟类，准确率高。

技术领域

本发明涉及鸟类检测方法，更具体地说是指鸟类检测方法、装置、计算机设备及存储介质。

背景技术

目前在单摄像头下，不同种类的鸟类由于与摄像头的距离不同，会导致在图像中显现的鸟类的特征数量不同，同时鸟的飞行姿态各异，导致鸟类目标检测算法检测难度加大，针对远距离的鸟类检出率越来越低，然而实际运用中，往往要求的检测目标距离相对较远，远距离的目标检测才更有经济效益，但是目前的鸟类检测方法并不能准确地识别出小目标的鸟类，或者是可识别出来小目标的鸟类，但是准确率不高。

因此，有必要设计一种新的方法，实现不但能高精度检测近距离大像素的鸟类，更能准确的检测出远距离的小目标的鸟类，准确率高。

发明内容

本发明的目的在于克服现有技术的缺陷，提供鸟类检测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：鸟类检测方法，包括：

获取待检测图像；

将所述待检测图像输入至鸟类检测模型进行检测，以得到检测结果；

反馈所述检测结果；

其中，所述鸟类检测模型是采用带有鸟类标签的图像作为样本集二次训练深度学习网络所得的。

其进一步技术方案为：所述鸟类检测模型是采用带有鸟类标签的图像作为样本集二次训练深度学习网络所得的，包括：

获取带有鸟类标签的图像，以得到样本集；

构建深度学习网络；

利用样本集对深度学习网络进行粗精度训练，以得到中间模型；

对所述中间模型进行高精度训练，以得到鸟类检测模型。

其进一步技术方案为：所述样本集是通过从公共数据集内抽取属于鸟类的数据以及采用摄像头拍摄的鸟类数据经过标注后形成的。

其进一步技术方案为：所述对所述中间模型进行高精度训练，以得到鸟类检测模型，包括：

利用所述样本集内采用摄像头拍摄的鸟类数据对中间模型进行训练，以得到鸟类检测模型。

其进一步技术方案为：所述反馈所述检测结果之后，还包括：

根据所述检测结果跟踪对应的鸟类，并进行驱鸟操作。

其进一步技术方案为：所述根据所述检测结果跟踪对应的鸟类，并进行驱鸟操作之后，还包括：

根据所述检测结果建立鸟情数据库，并对所述鸟情数据库进行统计分析，以得到分析结果，反馈所述分析结果至终端。

本发明还提供了鸟类检测装置，包括：

图像获取单元，用于获取待检测图像；

检测单元，用于将所述待检测图像输入至鸟类检测模型进行检测，以得到检测结果；

反馈单元，用于反馈所述检测结果。

其进一步技术方案为：还包括：