(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210454046.5 (22)申请日 2022.04.24 (71)申请人 中国农业科 学院农业信息 研究所 地址 100081 北京市海淀区中关村南大街 12号 申请人 中国农业科 学院植物保护研究所 (72)发明人 王大伟　刘升平　林克剑　刘晓辉　 张杰　郭秀明　王宁　杜波波　 张福顺　李宁　宋英　 (74)专利代理 机构 厦门市宽信知识产权代理有 限公司 3 5246 专利代理师 李财龙　叶丽珠 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G01D 21/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习模型的草原鼠情识别与 量化方法和鼠情记录 仪 (57)摘要 本发明涉及图像识别技术领域， 公开了一种 基于深度学习模 型的草原鼠情识别与量化方法、 鼠情记录仪， 其中草原鼠情识别与量化方法包括 步骤： (1)构建草原鼠情特征数据集， (2)对深度 学习模型进行鼠洞、 鼠丘的特征提取和鼠种分类 训练； (3)通过步骤(2)训练生成的模型对鼠情图 像进行特征提取， 得到鼠情特征， 本发明的方法 能够有效的提高鼠情特征的识别精度， 提高鼠情 的统计效率。 权利要求书2页 说明书6页 附图3页 CN 114743108 A 2022.07.12 CN 114743108 A 1.一种基于深度学习模型的草原鼠情识别与量 化方法， 其特 征在于， 包括如下步骤： (1)构建草原鼠情特征数据集， 并对草原鼠情特征数据集进行目标手工标注， 草原鼠情 特征数据集用于鼠洞、 鼠丘的特 征提取和鼠种分类训练； (2)通过草原鼠情特征数据集对深度学习模型进行鼠洞、 鼠丘的特征提取训练和鼠种 分类训练， 分别得到鼠洞、 鼠丘目标检测模型和鼠种分类 检测模型； (3)将待识别的鼠情图像输入到(2)中训练生成的模型中， 对鼠情图像的特征进行提 取， 最终量化得到鼠情特征， 鼠情特征包括调查样线或样地中鼠洞和鼠丘的数量、 位置和鼠 种分类。 2.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 深 度学习模型的卷积神经网络包括多个特征提取模块和特征分析融合网络， 多个特征提取模 块逐层设置， 高层特征通过上采样的方式逐层向下融合， 然后自底向上通过下采样逐层融 合较低层的特征， 特征分析融合网络用于拼接多个特征提取模块融合后的多个不同尺度的 特征， 最终得到鼠情特 征。 3.如权利要求2所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 多 个特征提取模块由高层到低层 包括特征提取模块A、 特征提取模块B、 特征提取模块C和特征 提取模块D， 特征提取模块A 依次包括3 ×3、 64/1， 1 ×1、 128^q/1， 3 ×3、 64/1三个卷积核， 特征提取模块B依次包括3 ×3、 128/1， 1 ×1、 256^q/1， 3×3、 128/1三个卷积核， 特征提取模块C依次包括3 ×3、 256/1， 1×1、 512^q/1， 3 ×3、 256/1三个卷积核， 特征提取模块D依次包括3 ×3、 512/1， 1 ×1、 1024^q/1， 3 ×3、 512/1三个卷积核。 4.如权利要求3所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 所 述特征提取模块A、 特征提取模块B、 特征提取模块C和特征提取模块D内均还包括有空间注 意力模块S， 空间注 意力模块S设置在第二个和 第三个卷积核之间， 所述空间注 意力模块S用 于对图片的空间距离进行自主学习， 所述空间注意力模块S的使用过程如下： 输入特征在通道维度采用平均池化和最大池 化并将其进 行连接获得二通道的特征， 然后采用7x7的卷积降维为单通道， 最后采用激活函 数sigmoid进行非线性变换获得空间位置的权 重信息,输入特 征含有c通道。 5.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 卷 积神经网络的主干网选取为ResNet 残差网络 。 6.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 特 征分析融合网络的结果 通过损失函数L进行误差分析， 所述深度学习模型的损失函数L如式1： L＝Lconf+α Lloc 式1 其中， Lconf表示置信度损耗， Lloc表示鼠洞预测的定位损耗， 由于两者尺度有差异， 采用 调整系数α 进行调整， 定位损失采用Smo oth L1损失函数， 如式2： 权　利　要　求　书 1/2 页 2 CN 114743108 A 2对于每一个预测为正例的预测框计算其预测偏移和实际偏移的差值作为该搜索框的 定位损失， 将所有正例的预测损失作为整体定位损失， 定位损失的计算如式3： 其中， pos表示预测为正例的搜索框， 表示预测的实际目标和搜索框的偏移信息， 表示实际的目标和 搜索框的偏移信息， cx,cy,h,w分别表示实际目标框和 搜索框的位置偏 移和大小偏移， 置信度损失采用softmax损失函数， 如式4： 其中， 表示搜索框i对于种类j的置信度， q表示搜索框i待预测的目标框的种类q。 7.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 所 述特征分析融合网络包括输出激活函数， 输出激活函数 具体RELU函数。 8.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 鼠 情图像在输入深度学习模型前进行预处理， 预处理包括执行以下操作： 图像拼接和图像归 一化。 9.如权利要求1所述的基于深度 学习模型的草原鼠情识别与量化方法， 其特征在于， 所 述深度学习模型通过以下步骤进行训练： 采集图像数据， 并将图像数据进行标注以及预处理操作， 按照4:2:1的分成训练集、 验 证集、 测试集； 将预处理后的图像数据输入到深度学习模型中， 调整深度学习模型中的参数， 得到训 练后的深度学习模型。 10.如权利要求1所述的基于深度学习模型的草原鼠情识别与量化方法， 其特征在于， 所述鼠情特征还包括调 查样线长度或样地面积， 步骤(3)之后还包括有步骤(4)鼠情统计： 统计鼠情图像中识别出鼠情特征， 通过调查样线长度或样地面积计算监测面积， 获取监测 地区的单位鼠密度。权　利　要　求　书 2/2 页 3 CN 114743108 A 3