(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 202210893351.4 (22)申请日 2022.07.27 (71)申请人 四川大学 地址 610042 四川省成 都市一环路南 一段 24号 (72)发明人 刘权辉　吕建成　王坚　邬鸿杰　 黄树东　叶庆　范锫　刘勇　 王海东　郑永康　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 鲍利蕊 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/24(2022.01) G06T 7/73(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于细粒度特 征融合的鸟类识别方法 (57)摘要 本发明提出了一种基于细粒度特征融合的 鸟类识别方法， 涉及鸟类监测技术领域， 包括： 收 集变电站周围鸟类图像和种类信息以作为训练 样本并进行预处理； 将预处理后的训练样本放入 YoloV3神经网络模型进行预训练， 并将待识别鸟 类图像放入预训练后的模型中进行多尺度处理 以得到多尺度图像块组合； 基于卷积神经网络对 多尺度图像块组合进行特征提取以得到不同尺 度图像特征； 对不同尺度图像特征进行特征融合 以得到图像联合特征； 基于图像联合特征利用线 性SVM多分类方法进行识别以得到鸟类种类识别 结果； 本发明利用多分类线性SVM来确定鸟类类 别， 成本低廉， 对硬件设备的投入要求低， 无需消 耗大量人力物力， 识别结果更加精准。 权利要求书1页 说明书7页 附图1页 CN 115272763 A 2022.11.01 CN 115272763 A 1.一种基于细粒度特 征融合的鸟类识别方法， 其特 征在于， 包括以下步骤： S1、 收集变电站周围鸟类图像和种类信息以作为训练样本， 并对训练样本进行 预处理； S2、 将预处理后的训练样本放入YoloV3神经网络模型进行预训练， 并将待识别鸟类图 像放入预训练后的Yo loV3神经网络模型中进行多尺度处 理以得到多尺度图像块组合； S3、 基于卷积神经网络对多尺度图像块组合进行 特征提取以得到不同尺度图像特 征； S4、 对不同尺度图像特 征进行特征融合以得到图像联合特 征； S5、 基于图像联合特 征利用线性SVM多分类方法进行识别以得到鸟类种类识别结果。 2.如权利要求1所述的一种基于细粒度特征融合的鸟类识别方法， 其特征在于， 步骤S1 中所述预处 理包括数据归一 化处理， 其公式为： 其中， 表示归一化处理后的数据， xc表示输入图像的第c个通道的数据， μ(xc)表示所 有数据在通道c下的均值， σ(xc)表示所有数据在通道c下的方差 。 3.如权利要求2所述的一种基于细粒度特征融合的鸟类识别方法， 其特征在于， 步骤S2 中所述将待识别鸟类图像放入预训练后的YoloV3神经网络模型中进行多尺度处理以得到 多尺度图像块组合的方法包括： 将待识别鸟类图像作为第一图像输入预训练后的YoloV3神经网络模型中以检测出鸟 类的具体位置， 并利用YoloV3神经网络模 型中的bounding  box选取所述第一图像中鸟类所 在区域的图像作为第二图像； 截取所述第二图像的上半部分作为第三图像， 利用 双线性插值方法将所述第一图像、 所述第二图像和所述第三图像三种不同空间尺度的图像 变换到相同大小； 将所述第一图像、 所述第 二图像和所述第 三图像进行特征融合以得到多尺度图像块组 合。 4.如权利要求3所述的一种基于细粒度特征融合的鸟类识别方法， 其特征在于， 步骤S3 包括： 将所述第一图像、 所述第 二图像和所述第 三图像分别输入三个不同的卷积神经网络中 以得到三种特 征向量； 将三种特 征向量进行拼接， 并基于全连接层得 出每种鸟类的概 率； 基于每种鸟类的概率与真实细粒度类别之间的误差作为监督信号训练以得到特征提 取器； 基于特征提取器对多尺度图像块组合进行 特征提取以得到不同尺度图像特 征。 5.如权利要求1所述的一种基于细粒度特征融合的鸟类识别方法， 其特征在于， 步骤S5 中利用线性SVM多分类方法进行识别以得到鸟类种类识别结果的公式为： 其中， xnew表示待识别的鸟类图像数据的特征， f(xnew)表示鸟类识别结果， i表示第i个 元素， M表示鸟的种类， W表示权 重矩阵， T表示矩阵转置， φ表示截取函数， b表示偏置 。权　利　要　求　书 1/1 页 2 CN 115272763 A 2一种基于细粒度特征融合的鸟类识别方 法 技术领域 [0001]本发明涉及鸟类监测技术领域， 具体而言， 涉及一种基于细粒度特征融合的鸟类 识别方法。 背景技术 [0002]城市发展用地日趋紧张， 导致变电站的选址越来越偏远， 因此， 鸟类活动对变电站 的运行的危害变得逐渐显著， 尤其在倡导去 人工化的无人值守变电站， 显得更为突出。 鸟害 给变电站带来的影响轻则干扰 设备正常运行， 重则引起设备故障， 导致大规模断电， 带来经 济损失和不良社会影响。 为了综合防治变电站鸟害威胁， 最常采用的办法是驱赶鸟类， 其核 心是如何检测识别鸟类， 以及如何采取对应驱赶措施。 而鸟类识别的本质是细粒度的图像 分类， 又称子类别识别， 是物体识别领域中发展迅速的一个子领域。 [0003]进行鸟类检测识别的传统方法需要先进行实地调研， 收集大量变电站及周边地区 鸟类活动及相关信息， 如： 可见鸟的种类、 数量、 形貌特征、 声音特征、 习性规律、 繁殖周期、 鸟巢习性、 种群关系、 食物链等大量数据， 形成鸟类数据库。 目前， 变电站对鸟类的识别主流 上采用两种方式： 声音识别和雷达识别； 鸟类声音识别主要研究不同鸟类的叫声， 其同时涉 及到鸟类行为学和声学， 是一 门新的边缘性交叉学科。 叫声作为鸟类重要的生物学特征之 一， 相关研究人员早在上世纪三十年代已经展开了相关研究工作； 截止到目前， 全世界绝大 部分鸟类的叫声已被收录。 要对鸟类叫声进行研究， 需要从已收录到的鸟叫声的信号波形 中提取多个特征参数， 根据相应的频率特性调整检测电路； 雷达识别技术是微波雷达模块 通过接口发送探测信息， 实现图像识别模块的联动， 形成一个八十米长、 六米高、 十五度夹 角的椭圆型警戒空间监视区， 当鸟类飞入或者穿越防护区域或者穿越时， 雷达测出鸟类距 离雷达的距离、 方向， 通过通信网络发送到后台控制中心， 由控制中心计算出鸟类与雷达之 间的距离、 方向， 并根据距离信息， 控制 相应位置的驱离设备， 从而驱赶鸟类离开防护区域。 [0004]然而， 以上传统驱鸟方法为实现鸟类的识别， 需要在前期采集大量鸟类活动及相 关信息， 需要消 耗大量人力物力， 此外对硬件设备的投入要求高， 但识别精度却差强人意， 由于驱赶鸟类的关键之一便是针对不同鸟类采取不同的驱赶方式， 识别精度过低则很难达 到防止鸟害的作用。 基于此， 本申请提出一种基于细粒度特征融合的鸟类识别方法来解决 上述问题。 发明内容 [0005]本发明的目的在于提供一种基于细粒度特征融合的鸟类识别方法， 其能够解决上 述问题。 [0006]本发明的技 术方案为： [0007]本申请提供一种基于细粒度特 征融合的鸟类识别方法， 其包括以下步骤： [0008]S1、 收集变电站周围鸟类图像和种类信息以作为训练样本， 并对训练样本进行预 处理；说　明　书 1/7 页 3 CN 115272763 A 3