论文部分内容阅读
利用深度学习对野生动物进行自动识别分类,可以大大提高野生动物监测效率,为野生动物保护策略的制定提供可靠的数据支持。但是目前野生动物的自动识别仍面临着监测图像背景信息复杂、质量低造成的识别准确率低的问题,影响了深度学习技术在野生动物保护领域的应用落地。为了实现高准确率的野生动物自动识别,本文基于自建的内蒙古地区主要陆生野生动物数据集以及塞伦盖蒂公开数据集,开展基于卷积神经网络的野生动物监测图像自动识别方法研究,并分析了图像质量对识别效果的影响,进一步探究了提高低质量图像识别准确率的方法。主要内容如下:1、提出基于感兴趣区域与卷积神经网络的野生动物监测图像自动识别算法。采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI(Region of Interest)图像,减少复杂背景信息对物种识别的干扰;构建基于全局-局部的VGG16双通道网络模型对样本图像进行特征提取,最后输入分类器实现野生动物的识别。提出的识别模型对马鹿、斑羚、狍、猞猁和野猪五种野生动物的识别效果均优于VGG19结构下的双通道网络模型以及基于VGG16、R-CNN和Fast R-CNN的识别模型,平均精度均值(Mean Average Precision,MAP)达到0.912,MAP的提升最大达到0.256。2、提出基于SE-Res Ne Xt的野生动物监测图像自动识别算法。为了避免目标检测算法造成的标注成本高的问题,同时保证自动识别的准确率,提出基于SE-Res Ne Xt的野生动物自动识别模型。选择马鹿、斑羚、狍、猞猁和狗獾五种野生动物图像作为训练样本,分别对比网络模型SE-Res Ne Xt和Res Net在层数为50、101、152时的识别效果,实验表明,SE-Res Ne Xt101在学习率为0.01时训练效果最优,测试准确率达到93.5%,高于Res Net的最高准确率90.8%;并利用塞伦盖蒂公开数据集中的26个物种的监测图像进行性能验证,结果表明,SE-Res Ne Xt101对13个类别的识别准确率均优于Res Net-101,最大差值为31.2%。3、分析了不同图像质量对野生动物自动识别算法的影响,采用预处理的方法提高低质量图像的识别准确率。针对无线图像传感器网络采集到的低质量监测图像,通过实验分析了不同质量对六种不同识别模型的影响。实验结果表明,图像的低质量会使所有模型的识别性能下降。当误码率小于5%,SE-Res Ne Xt结构的模型表现最优,其中SE-Res Ne Xt152得到的测试准确率降低的幅度最小为3.16%。为了改善低质量图像的识别效果,引入图像像素扩充与图像锐化去噪的预处理方式,对预处理前后低质量图像的识别效果进行对比实验。实验结果表明,当图像的误码率低于5%时,图像进行预处理之后模型SE-Res Ne Xt 50的测试准确率提高了1.21%,证明预处理可以在一定程度上降低图像低质量对模型识别性能的影响。本文提出的基于卷积神经网络的野生动物监测图像自动识别算法,可以为深度学习在野生动物智能监测的应用落地提供解决方案,提升野生动物保护的智能化水平。