买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：临沂大学

摘要：本申请公开了一种基于卷积神经网络的西北地区熊类识别方法，属于图像识别技术领域，用于熊类识别及驱离，其包括收集西北地区熊类的图片数据并泛化处理数据，制作第一类样本数据集和第二类样本数据集；以第一类样本数据集、第二类样本数据集分别训练及调试第一深度学习模型、第二深度学习模型；在待检测区域的电子设备中部署上述学习模型；学习模型导入实时拍摄的图片进行自动识别并输出识别结果，判断是否发出驱赶指令。本申请能够通过卷积神经网络对获取的图像进行识别，以判断是否为熊类，并且根据识别的结果判断是否发出驱离信号，保障人员及财产的安全。

主权项：1.一种基于卷积神经网络的西北地区熊类识别方法，其特征在于：该方法包括以下步骤，S1、收集西北地区熊类的训练数据图片并泛化处理数据，制作第一类样本数据集和第二类样本数据集；S2、在步骤S1的基础上，以第一类样本数据集训练及调试第一深度学习模型；S3、在步骤S1的基础上，以第二类样本数据集训练及调试第二深度学习模型；S4、在待检测区域的电子设备中部署步骤S2、步骤S3所形成的第一深度学习模型、第二深度学习模型；S5、导入实时拍摄的图片，通过第一深度学习模型、第二深度学习模型进行自动识别并输出识别结果，判断是否发出驱赶指令；所述步骤S1中所述的第一类样本数据集指的是所收集的训练数据图片中包含多个西北地区熊目标对象；所述步骤S1中所述的第二类样本数据集指的是所收集的训练数据图片中包含单个西北熊目标对象；所述第一类样本数据集和第二类样本数据集分别作为训练集、验证集、测试集，其中训练集占第一样本数据集和第二类样本数据集的70%，验证集、测试集各占第一类样本数据集和第二类样本数据集的15%；所述步骤S2还包括，S21、构建卷积神经网络构成的YOLOv8n模型，作为第一深度学习模型；S22、将第一类样本数据集中的图片送入YOLOv8n模型，以是否是熊的置信度作为输出，以最小化第一深度学习模型损失函数值作为训练目标，采用反向传播算法和梯度下降算法迭代训练模型；当第一深度学习模型损失函数值小于等于预设的第一目标损失函数且趋于稳定时停止训练；S23、根据YOLOv8n模型正确率调整学习率与loU阈值再次送入步骤S22重复训练，直至得到熊类识别深度学习模型；所述步骤S3包括，S31、构建卷积神经网络构成的ResNet模型，作为第二深度学习模型；S32、将第二类样本数据集中的图片调整至高宽像素值为320×320，并将调整后的图片输入至ResNet模型中，以是否是熊的预测值作为输出，选择交叉熵损失函数和随机梯度下降优化器，使用Sigmod衰减算法，学习率随训练迭代的增大而减小，其计算公式如下： ；其中，为每一轮优化时使用的学习率；为初始学习率；为全局迭代轮数，为当前迭代轮数；，；S33、继续训练ResNet模型直至收敛，根据ResNet模型的准确率调整ResNet模型参数，并重复步骤S32，直至得到增强鲁棒性后的第二深度学习模型；所述步骤S5中通过BearCV程序调用部署在边缘计算设备中的第一深度学习模型、第二深度学习模型，并采用如下的步骤：S51、边缘计算设备实时逐帧读取耐低温摄像头传输的视频数据，并将逐帧读取的图片数据传递至第一深度学习模型中，对于图像置信度大于0.5的图片对象保存像素框坐标，并计算危险系数；S52、对于置信度大于0.15、小于0.5的图片对象进行缩放降噪，得到第二深度学习模型所需的输入图片尺寸；步骤S53、将缩放去噪后的图片输入至第二深度学习模型中，得到目标图像的图像置信度，当置信度大于0.5时，采用缩放前保存的像素框计算危险系数，其余舍弃。

全文数据：

权利要求：

百度查询： 临沂大学 一种基于卷积神经网络的西北地区熊类识别方法