一种旱獭智能识别监测系统

技术领域

本发明具体涉及一种旱獭智能识别监测系统。

背景技术

鼠疫属于一种自然疫源性疾病，是以发病急、传播快、病程短、病死率高、传染性强为特征的烈性传染病，是《中华人民共和国传染病防治法》规定的甲类传染病；鼠疫原发于啮齿动物，多见于喜马拉雅旱獭，并能引起人间流行；在人类历史上曾发生的三次世界鼠疫大流行，给世界人民带来了沉痛的灾难。近年来，鼠疫在我国范围内每年均有发生，人民的生命和财产安全遭到严重威胁。

2005年8月，在国家卫生部颁布《全国鼠疫监测方案》中，明确了各个鼠疫疫源地的监测内容、监测方法等内容，此后全国各地根据此方案开展鼠疫监测工作并汇总上报。但是由于青海省有两种鼠疫疫源地，加之全省面积巨大，境内环境多样，交通极为不便，人口分布稀疏等因素，导致全省鼠疫监测工作难度巨大，又由于鼠防专业人员有限、交通不便等原因，鼠疫监测方式单一，监测覆盖面积占比小，工作效率有限。

目前，全国鼠疫监测工作均参照2005年8月国家卫生部颁布的《全国鼠疫监测方案》。监测形式分为固定监测和流动监测；其中，监测旱獭数量常用的方法为路线法，即步行、骑马、开车以直线或者曲线，视野宽度一般以50m为宜，路线长度步行每小时3km、骑马每小时5km、开车按照里程表计算，算出监测面积和旱獭数量，按照密度计算后再按照公式得出密度。但是，以步行、骑马、开车的监测方法在实际的鼠疫监测工作中极易受限于地形地貌、气候变化以及监测人员的技术水平等因素，从而影响鼠疫监测工作的全面性、准确性及科学性。

因此，鼠疫监测工作是为了预防和控制鼠疫发生和流行而开展的一项长期的、连续性工作，通过主动监测，将与动物间鼠疫的相关信息通过既定系统进行统计、记录上新数据，做到尽早发现疫情，及时采取控制措施，防止疫情蔓延和流行。通过无人机配合使用智能识别监测系统在鼠疫监测工作中的试探性应用，寻求更快速、更高效、更智能化的新工作模式。

发明内容

针对现有技术中的不足之处，本发明提供一种旱獭智能识别监测系统。本发明具有提升工作效率、监测更全面准确的特点。

为了达到上述目的，本发明技术方案如下：

一种旱獭智能识别监测系统，包括采集和筛选旱獭图像系统、初期系统、特征样本库系统、监测系统、数据整合系统和统计分析系统；所述采集和筛选旱獭图像系统的输出端与所述初期系统的输出端分别与特征样本系统输入端连接，所述特征样本库系统输出端与所述监测系统输出端分别对应接入数据整合系统的输入端，所述数据整合系统的输出端接入统计分析系统的输入端。

进一步的，所述采集和筛选旱獭图像系统包括无人机采集旱獭正射遥感图像和旱獭调整图像，所述初期系统引入深度学习网络后与所述采集和筛选旱獭图像系统共同接入特征样本库系统。

进一步的，所述特征样本库系统通过卷积神经网络的增量训练与监测系统共同接入数据整合系统；所述数据整合系统内的数据经智能检测后导出至统计分析系统。

通过无人机结合旱獭智能识别监测系统实现对鼠疫宿主动物智能识别以及辅助鼠疫预防和控制的工作步骤如下：

1）样本库的搭建

（1）在全省区域范围内使用无人机采集大量的旱獭正射遥感图像数据；

（2）针对上述步骤（1）中采集到的数据进行图形数据处理并筛选符合深度学习要求的图像，再将处理、筛选后的图像导入旱獭特征样本库中，以供系统进行深度学习；

2）系统任务的执行

（1）根据需要在各地区选择鼠疫监测区域地点；

（2）使用旋翼机或固定翼无人机搭载全画幅的相机，在地面站规划航线，设置无人机航高、航速、旁向航向重叠率、云台角度、智能返航等参数，无人机对监测区域进行监测、采集遥感图像；

（3）带上述2）中的步骤（2）中的无人机作业结束后，将无人采集到的遥感图像通过专业的拼图软件进行合成飞行区域的正射图像；

（4）将上述2）中的步骤（3）中合成的正射图像通过终端或者存储设备上传至旱獭智能识别监测系统；

（5）通过深度学习以及卷积神经网络算法训练的结合检测计算出上述2）中步骤（1）中的监测区域的旱獭密度；

（6）将上述2）中步骤（5）中所检测计算出的旱獭密度上传至统计分析系统进行结果展示，并将其结果反馈至相对应的监测区域的鼠疫监测部门，若结果超出国家标准，则给予高密度警告并由当地鼠疫防控部门采取防控措施；若结果未超出国家标准，则进行数据整理统计，为下一步的鼠疫预防和控制工作提供科学的参考依据。

有益效果：本发明提供一种旱獭智能识别监测系统，通过引入增量学习策略后能够通过智能识别监测系统完成定期推送新的训练样本，更新分类模型，并深入研究自适应多源、多分辨率的遥感影像目标地物数据的增量学习算法以及训练数据规模和模型性能之间的关系，本发明改变了传统以步行、骑马、开车为监测方式的工作模式，大大节省了监测时间，减小鼠疫监测的工作压力，缩小因鼠疫防控人员技术水平因素导致的监测数据误差，从而提升了鼠疫监测工作的全面性、准确性以及科学性，同时也能让监测工作不再因地形地貌、气候条件、交通条件差等条件受到限制，进一步的降低监测工作中的安全风险。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的系统使用过程中的步骤流程图。

具体实施方式

下面将结合本发明专利实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明专利一部分实施例，而不是全部的实施例。基于本发明专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明专利保护的范围。

一种旱獭智能识别监测系统，如图1和图2所示，包括采集和筛选旱獭图像系统、初期系统、特征样本库系统、监测系统、数据整合系统和统计分析系统；采集和筛选旱獭图像系统的输出端与初期系统的输出端分别与特征样本系统输入端连接，特征样本库系统输出端与监测系统输出端分别对应接入数据整合系统的输入端，数据整合系统的输出端接入统计分析系统的输入端。

采集和筛选旱獭图像系统包括无人机采集旱獭正射遥感图像和旱獭调整图像，初期系统引入深度学习网络后与采集和筛选旱獭图像系统共同接入特征样本库系统。

特征样本库系统通过卷积神经网络的增量训练与监测系统共同接入数据整合系统；数据整合系统内的数据经智能检测后导出至统计分析系统。

通过无人机结合旱獭智能识别监测系统实现对鼠疫宿主动物智能识别以及辅助鼠疫预防和控制的工作步骤如下：

1）样本库的搭建

（1）在全省区域范围内使用无人机采集大量的旱獭正射遥感图像数据；

（2）针对上述步骤（1）中采集到的数据进行图形数据处理并筛选符合深度学习要求的图像，再将处理、筛选后的图像导入旱獭特征样本库中，以供系统进行深度学习；

2）系统任务的执行

（1）根据需要在各地区选择鼠疫监测区域地点；

（2）使用旋翼机或固定翼无人机搭载全画幅的相机，在地面站规划航线，设置无人机航高、航速、旁向航向重叠率、云台角度、智能返航等参数，无人机对监测区域进行监测、采集遥感图像；

（3）带上述2）中的步骤（2）中的无人机作业结束后，将无人机采集到的遥感图像通过专业的拼图软件进行合成飞行区域的正射图像；

（4）将上述2）中的步骤（3）中合成的正射图像通过终端或者存储设备上传至旱獭智能识别监测系统；

（5）通过深度学习以及卷积神经网络算法训练的结合检测计算出上述2）中步骤（1）中的监测区域的旱獭密度；

（6）将上述2）中步骤（5）中所检测计算出的旱獭密度上传至统计分析系统进行结果展示，并将其结果反馈至相对应的监测区域的鼠疫监测部门，若结果超出国家标准，则给予高密度警告并由当地鼠疫防控部门采取防控措施；若结果未超出国家标准，则进行数据整理统计，为下一步的鼠疫预防和控制工作提供科学的参考依据。

传统的目标动物识别是基于遥感影像的地物要素提取中，目标地物检测算法多是基于手动特征进行提取方法；而深度学习方法可以直接将原始遥感图像数据作为输入，并智能地学会如何从数据中学习特征，避免了人工提取特征的差异性；深度学习通过构建深层的神经网络模型，可以逐渐的、由浅到深的挖掘数据中的隐含特征以及时序间的依赖关系，得到更深层的表达能力和泛化能力，进而得到比传统地物要素提取方法更加精准、可靠的检测和识别效果。

同时，深度学习网络的构建，需要海量的样本数据作为支撑，然而在实际应用中，样本的数量往往不能满足深度学习网络的要求，导致地物要素提取精度难以满足预期要求。因此，本系统引入的增量学习策略，将深度学习网络提取出来的地物要素作为新的样本数据对网络进行增量训练，从而在深度学习和增量学习一体化的基础上提高典型地物要素的提取精度。具体实现为，定期推送新的训练样本，更新分类模型，深入研究自适应多源、多分辨率的遥感影像目标地物数据的增量学习算法以及训练数据规模和模型性能之间的关系。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。