基于鼠类识别终端与云计算平台交互的老鼠数量预测方法

技术领域

本申请涉及到计算机领域，特别是涉及到一种基于鼠类识别终端与云计算平台交互的老鼠数量预测方法。

背景技术

鼠类数量过多，会造成生态失衡，如果能在鼠类数量过多之前，识别出鼠类数量，进而采取针对性的措施，对保持生态平衡，保护农业环境是有益的。但是由于鼠类具有体型小，在野外环境中容易被障碍物遮掩等特点，难以进行有效观测，因此传统方案难以准确预测出鼠类数量。

发明内容

本申请提出一种基于鼠类识别终端与云计算平台交互的老鼠数量预测方法，包括以下步骤：

S1、鼠类识别终端获取多个第一样本红外影像数据；每个第一样本红外影像数据均是在连续的时间窗口中采集得到的；

S2、鼠类识别终端将第一样本红外影像数据输入预先训练得到的第一鼠类识别模型中，以得到所述第一鼠类识别模型输出的第一鼠类识别结果序列以及与第一鼠类识别结果序列对应的第一鼠类识别准确率序列，从而获取与所述多个第一样本红外影像数据分别对应的多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；其中，所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的；

S3、鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；

S4、云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定；其中，每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端；

S5、云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；其中第一图像被人工标定为鼠类的占比大于预设的第一占比阈值，第二图像被人工标定为鼠类的占比小于等于预设的第一占比阈值但大于预设的第二占比阈值，第三图像被人工标定为鼠类的占比小于等于预设的第二占比阈值；所述第一占比阈值大于50％，而所述第二占比阈值小于50％；

S6、云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；

S7、鼠类识别终端对第一样本红外影像数据进行标记标签处理，以将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签，从而使多个第一样本红外影像数据转换为多个第二样本红外影像数据；

S8、鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值；

S9、若所述第二图像的数量小于预设的数量阈值，则将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据；

S10、鼠类识别终端将所述多个第三样本红外影像数据划分为第三训练红外影像数据和第三验证红外影像数据，并利用所述第三训练红外影像数据对所述第一鼠类识别模型进行再训练处理，以得到第二鼠类识别模型；

S11、鼠类识别终端利用所述第三验证红外影像数据对所述第二鼠类识别模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；

S12、若验证结果为验证通过，则获取待预测的红外影像数据，并将待预测的红外影像数据输入所述第二鼠类识别模型中，以得到所述第二鼠类识别模型输出的第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；

S13、鼠类识别终端根据第二鼠类识别准确率小于预设的准确率阈值的标准，从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台；

S14、云计算平台在收到多个第二用户终端发送的权限认证请求的前提下，将所述第二待定数据集中的图像发送给多个第二用户终端，并要求第一用户终端的使用者对收到的图像进行人工标定；

S15、云计算平台获取多个第二用户终端发送的人工标定结果，并根据人工标定结果，从第二待定数据集中提取一号图像；其中一号图像被人工标定为鼠类的占比大于预设的第一占比阈值；

S16、云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端；

S17、鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。

进一步地，所述云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定的步骤S4，包括：

S401、云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定，并且要求第一用户终端的使用者在认为待定图像为老鼠图像时，在待定图像中描绘出特征部位；其中所述特征部位至少包括老鼠头部与老鼠尾部；

所述云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像的步骤S5，包括：

S501、云计算平台获取多个第一用户终端分别发送的多个初始人工标定结果和多个描绘图像，并将所述多个描绘图像输入所述第一鼠类识别模型中，以对应得到所述第一鼠类识别模型输出的多个第三鼠类识别结果以及与多个第三鼠类识别结果对应的多个第三鼠类识别准确率；其中，所述多个描绘图像的数量小于等于所述多个初始人工标定结果的数量；

S502、云计算平台判断所述多个第三鼠类识别准确率是否均大于准确率阈值；

S503、若所述多个第三鼠类识别准确率均大于准确率阈值，则根据所述多个初始人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像。

进一步地，所述云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端的步骤S6，包括：

S601、云计算平台根据人工标定结果，对多个第一用户终端进行聚类，以得到第一聚类、第二聚类、第三聚类、第四聚类、第五聚类和第六聚类；其中，第一聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第一聚类中的第一用户终端收到的待定图像最终被分类为第一图像；第二聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第二聚类中的第一用户终端收到的待定图像最终被分类为第二图像；第三聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第三聚类中的第一用户终端收到的待定图像最终被分类为第三图像；第四聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第四聚类中的第一用户终端收到的待定图像最终被分类为第一图像；第五聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第五聚类中的第一用户终端收到的待定图像最终被分类为第二图像；第六聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第六聚类中的第一用户终端收到的待定图像最终被分类为第三图像；

S602、判定所述第一聚类中的第一用户终端和所述第六聚类中的第一用户终端为权限终端，再将第一图像、第二图像和第三图像发送给鼠类识别终端。

进一步地，所述鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值的步骤S8之后，包括：

S81、若所述第二图像的数量不小于预设的数量阈值，则将第二样本红外影像数据中的第二图像发送给预设的多个专用终端；其中，所述专用终端在以往的多次待定图像的人工标定过程中均能正确标定；

S82、鼠类识别终端获取所述多个专用终端对所述第二图像的再次标定结果，并根据再次标定结果，将所述第二图像标记上鼠类标签或者非鼠类标签。

本申请提供一种基于鼠类识别终端与云计算平台交互的老鼠数量预测装置，包括：

第一样本红外影像数据获取单元，用于指示鼠类识别终端获取多个第一样本红外影像数据；每个第一样本红外影像数据均是在连续的时间窗口中采集得到的；

第一鼠类识别结果序列获取单元，用于指示鼠类识别终端将第一样本红外影像数据输入预先训练得到的第一鼠类识别模型中，以得到所述第一鼠类识别模型输出的第一鼠类识别结果序列以及与第一鼠类识别结果序列对应的第一鼠类识别准确率序列，从而获取与所述多个第一样本红外影像数据分别对应的多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；其中，所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的；

第一待定数据集获取单元，用于指示鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；

第一待定数据集发送单元，用于指示云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定；其中，每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端；

第一待定数据集分类单元，用于指示云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；其中第一图像被人工标定为鼠类的占比大于预设的第一占比阈值，第二图像被人工标定为鼠类的占比小于等于预设的第一占比阈值但大于预设的第二占比阈值，第三图像被人工标定为鼠类的占比小于等于预设的第二占比阈值；所述第一占比阈值大于50％，而所述第二占比阈值小于50％；

第一权限判定单元，用于指示云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；

第二样本红外影像数据获取单元，用于指示鼠类识别终端对第一样本红外影像数据进行标记标签处理，以将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签，从而使多个第一样本红外影像数据转换为多个第二样本红外影像数据；

第二图像判断单元，用于指示鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值；

第三样本红外影像数据获取单元，用于指示若所述第二图像的数量小于预设的数量阈值，则将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据；

第二鼠类识别模型获取单元，用于指示鼠类识别终端将所述多个第三样本红外影像数据划分为第三训练红外影像数据和第三验证红外影像数据，并利用所述第三训练红外影像数据对所述第一鼠类识别模型进行再训练处理，以得到第二鼠类识别模型；

第二鼠类识别模型验证单元，用于指示鼠类识别终端利用所述第三验证红外影像数据对所述第二鼠类识别模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；

第二鼠类识别结果序列获取单元，用于指示若验证结果为验证通过，则获取待预测的红外影像数据，并将待预测的红外影像数据输入所述第二鼠类识别模型中，以得到所述第二鼠类识别模型输出的第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；

第二待定数据集获取单元，用于指示鼠类识别终端根据第二鼠类识别准确率小于预设的准确率阈值的标准，从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台；

第二待定数据集发送单元，用于指示云计算平台在收到多个第二用户终端发送的权限认证请求的前提下，将所述第二待定数据集中的图像发送给多个第二用户终端，并要求第一用户终端的使用者对收到的图像进行人工标定；

一号图像提取单元，用于指示云计算平台获取多个第二用户终端发送的人工标定结果，并根据人工标定结果，从第二待定数据集中提取一号图像；其中一号图像被人工标定为鼠类的占比大于预设的第一占比阈值；

一号图像发送单元，用于指示云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端；

老鼠数量预测单元，用于指示鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。

本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法、装置、计算机设备和存储介质，获取多个第一样本红外影像数据；获取多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；提取第一指定鼠类识别结果，构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；将所述第一待定数据集中的待定图像发送给多个第一用户终端；分类为第一图像、第二图像和第三图像；进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；转换为多个第二样本红外影像数据；若所述第二图像的数量小于预设的数量阈值，则转换为多个第三样本红外影像数据；得到第二鼠类识别模型；获取待预测的红外影像数据，得到第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；构成第二待定数据集，发送给云计算平台；将所述第二待定数据集中的图像发送给多个第二用户终端；从第二待定数据集中提取一号图像；进行权限判定处理，再将一号图像发送给鼠类识别终端；根据鼠类图像的数量，预测出老鼠数量。从而提高了老鼠数量预测的准确性。

附图说明

图1，2为本申请一实施例的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法的流程示意图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1、2，本申请实施例提供一种基于鼠类识别终端与云计算平台交互的老鼠数量预测方法，包括以下步骤：

S1、鼠类识别终端获取多个第一样本红外影像数据；每个第一样本红外影像数据均是在连续的时间窗口中采集得到的；

S2、鼠类识别终端将第一样本红外影像数据输入预先训练得到的第一鼠类识别模型中，以得到所述第一鼠类识别模型输出的第一鼠类识别结果序列以及与第一鼠类识别结果序列对应的第一鼠类识别准确率序列，从而获取与所述多个第一样本红外影像数据分别对应的多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；其中，所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的；

S3、鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；

S4、云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定；其中，每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端；

S5、云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；其中第一图像被人工标定为鼠类的占比大于预设的第一占比阈值，第二图像被人工标定为鼠类的占比小于等于预设的第一占比阈值但大于预设的第二占比阈值，第三图像被人工标定为鼠类的占比小于等于预设的第二占比阈值；所述第一占比阈值大于50％，而所述第二占比阈值小于50％；

S6、云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；

S7、鼠类识别终端对第一样本红外影像数据进行标记标签处理，以将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签，从而使多个第一样本红外影像数据转换为多个第二样本红外影像数据；

S8、鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值；

S9、若所述第二图像的数量小于预设的数量阈值，则将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据；

S10、鼠类识别终端将所述多个第三样本红外影像数据划分为第三训练红外影像数据和第三验证红外影像数据，并利用所述第三训练红外影像数据对所述第一鼠类识别模型进行再训练处理，以得到第二鼠类识别模型；

S11、鼠类识别终端利用所述第三验证红外影像数据对所述第二鼠类识别模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；

S12、若验证结果为验证通过，则获取待预测的红外影像数据，并将待预测的红外影像数据输入所述第二鼠类识别模型中，以得到所述第二鼠类识别模型输出的第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；

S13、鼠类识别终端根据第二鼠类识别准确率小于预设的准确率阈值的标准，从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台；

S14、云计算平台在收到多个第二用户终端发送的权限认证请求的前提下，将所述第二待定数据集中的图像发送给多个第二用户终端，并要求第一用户终端的使用者对收到的图像进行人工标定；

S15、云计算平台获取多个第二用户终端发送的人工标定结果，并根据人工标定结果，从第二待定数据集中提取一号图像；其中一号图像被人工标定为鼠类的占比大于预设的第一占比阈值；

S16、云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端；

S17、鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。

如上述步骤S1-S3所述，鼠类识别终端获取多个第一样本红外影像数据；每个第一样本红外影像数据均是在连续的时间窗口中采集得到的；鼠类识别终端将第一样本红外影像数据输入预先训练得到的第一鼠类识别模型中，以得到所述第一鼠类识别模型输出的第一鼠类识别结果序列以及与第一鼠类识别结果序列对应的第一鼠类识别准确率序列，从而获取与所述多个第一样本红外影像数据分别对应的多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；其中，所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的；鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台。

本申请的实施有赖于鼠类识别终端与云计算平台的共同协作，这也是本申请的一个特点。依赖于此，本申请才能实现滚动训练和预测的目的，使模型的识别准确性得到提高。其中，鼠类识别模型搭载在鼠类识别终端上，而云计算平台及其附属的用户终端用于对数据(包括训练数据和待预测的红外影像数据)进行优化，而鼠类识别终端用于对数据(包括训练数据和待预测的红外影像数据)进行训练或者预测，与此同时，云计算平台还能够利用红外影像数据进行权限判定，还提高了云计算平台的安全性，并且间接地减少了云计算平台的计算压力，这也本申请多端协作实现共赢的前提。通过这种的协作，使得难以利用的图像数据(即按现有的识别精度无法处理的图像数据)能够再次利用，从而提高了识别准确性。

每个第一样本红外影像数据均是在连续的时间窗口中采集得到的，因此每个第一样本红外影像数据可以为红外视频数据，或者为由多帧连续的红外图像构成的数据。第一样本红外影像数据用于模型训练所用，但训练的过程是特别的，这将结合后续步骤进行说明。所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的，SSD是指Single Shot MultiBox Detector，为一种多框预测算法。自适应感受野是指卷积层的卷积核大小不固定，因此每一层的感受野是自适应的，因此相对于普通的卷积神经网络模型，基于自适应感受野SSD的卷积神经网络模型更适合小体型目标的检测。另外，需要注意的是，本申请中的第一鼠类识别模型不是初始模型，而是经过一定训练后能够进行鼠类识别任务的模型，但之前训练的过程可采用任意可行数据进行训练，例如进行有监督学习的方式进行训练。由于第一鼠类识别模型已经能够进行识别任务，因此其能够将第一样本红外影像数据中的鼠类图像识别出来，并且同时输出的还有鼠类识别准确率。由于每个第一样本红外影像数据中包括多帧鼠类图像，因此将被识别出由多个识别结果构成的一个识别结果序列以及一个识别准确率序列，而多个第一样本红外影像数据就能够被识别出由多个识别结果序列以及多个识别准确率序列。鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台。本申请需要对第一鼠类识别结果序列进行处理，以将不太确定的红外图像提取出来并发送给云计算平台，所述不太确定的红外图像的提取依据是，第一鼠类识别准确率小于预设的准确率阈值的标准。之所以将其提取出来并发送给云计算平台，原因在于：以当前模型的识别精度，无法对这些红外图像进一步处理，因此将其标定为鼠类图像或者非鼠类图像均不太合适。而本申请通过特别的设计，使得这些不太确定的红外图像进一步得到利用，提高模型的识别准确率。

如上述步骤S4-S6所述，云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定；其中，每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端；云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；其中第一图像被人工标定为鼠类的占比大于预设的第一占比阈值，第二图像被人工标定为鼠类的占比小于等于预设的第一占比阈值但大于预设的第二占比阈值，第三图像被人工标定为鼠类的占比小于等于预设的第二占比阈值；所述第一占比阈值大于50％，而所述第二占比阈值小于50％；云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端。

云计算平台有其特性，即其向多个用户终端提供云存储服务，因此其需要进行权限认证，以确定用户终端是否具有权限，而同时云计算平台也被视为具有这种特殊的资源(可称为多用户资源)，本申请利用这种特性实现了鼠类识别模型的优化。因此，云计算平台将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定。每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端，从而能够保证同一张待定图像能够被多个用户终端标定。再获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像。第一图像即实际上可被视为鼠类图像，因为大部分用户认定其为鼠类，同理，第二图像仍为不确定图像，第三图像被视为非鼠类图像。云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端。其中，进行权限判定可采用任意可行方式进行，例如可根据人工标定与机械标定(当存在对云计算平台进行攻击的攻击方时，其一般会采用自动机进行耗费云计算平台通信资源的攻击，通过本申请的方式能够减轻被攻击的压力，而类似于自动机采用的标定方式与普通人类的标定方式具有一定的区别，将其称为机械标定)的不同，将符合人工标定特性对应的用户终端记为权限终端。

进一步地，所述云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定的步骤S4，包括：

S401、云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定，并且要求第一用户终端的使用者在认为待定图像为老鼠图像时，在待定图像中描绘出特征部位；其中所述特征部位至少包括老鼠头部与老鼠尾部；

所述云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像的步骤S5，包括：

S501、云计算平台获取多个第一用户终端分别发送的多个初始人工标定结果和多个描绘图像，并将所述多个描绘图像输入所述第一鼠类识别模型中，以对应得到所述第一鼠类识别模型输出的多个第三鼠类识别结果以及与多个第三鼠类识别结果对应的多个第三鼠类识别准确率；其中，所述多个描绘图像的数量小于等于所述多个初始人工标定结果的数量；

S502、云计算平台判断所述多个第三鼠类识别准确率是否均大于准确率阈值；

S503、若所述多个第三鼠类识别准确率均大于准确率阈值，则根据所述多个初始人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像。

从而实现了进一步优化数据的目的。本申请的神经网络模型的精度有限，其原因在于目标体型小，而更深层次的原因是，目标的特征部位无法捕捉，因此若仅是能够在人工标定上类型标签之外，再描绘出特征部位，则对于提高模型的识别准确性更有帮助。因此，本申请要求第一用户终端的使用者在认为待定图像为老鼠图像后，再在待定图像中描绘出特征部位。而后，再将所述多个描绘图像输入所述第一鼠类识别模型中，以对应得到所述第一鼠类识别模型输出的多个第三鼠类识别结果以及与多个第三鼠类识别结果对应的多个第三鼠类识别准确率。理论上，在描绘出特征部位后，识别准确率应当上升，除非描绘的特征部位不准确，因此，利用第一鼠类识别模型进行筛选，以将可能存在的胡乱描绘的图像排除。因此，本申请的鼠类识别模型不仅承担了训练、识别的任务，还承担了数据筛选的任务。

进一步地，所述云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端的步骤S6，包括：

S601、云计算平台根据人工标定结果，对多个第一用户终端进行聚类，以得到第一聚类、第二聚类、第三聚类、第四聚类、第五聚类和第六聚类；其中，第一聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第一聚类中的第一用户终端收到的待定图像最终被分类为第一图像；第二聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第二聚类中的第一用户终端收到的待定图像最终被分类为第二图像；第三聚类中的第一用户终端对收到的待定图像的人工标定结果为鼠类图像，且第三聚类中的第一用户终端收到的待定图像最终被分类为第三图像；第四聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第四聚类中的第一用户终端收到的待定图像最终被分类为第一图像；第五聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第五聚类中的第一用户终端收到的待定图像最终被分类为第二图像；第六聚类中的第一用户终端对收到的待定图像的人工标定结果为非鼠类图像，且第六聚类中的第一用户终端收到的待定图像最终被分类为第三图像；

S602、判定所述第一聚类中的第一用户终端和所述第六聚类中的第一用户终端为权限终端，再将第一图像、第二图像和第三图像发送给鼠类识别终端。

从而利用难识别的图像数据，在完成数据优化的同时，实现了云计算平台对用户终端的权限判定的目的。由于待定图像是难识别的图像，也意味着普通的自动识别方法无法准确识别，因此虽然以自动识别方式意图通过权证验证，进而消耗通信资源的攻击方式难以奏效，但也能够缓解云计算平台的压力。其中，由于待定图像能够被人工标定为两种情况，即鼠类图像或非鼠类图像；并且根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；因此，对于某个用户终端，其只能存在于六种可能，从而进行聚类处理，以得到第一聚类、第二聚类、第三聚类、第四聚类、第五聚类和第六聚类。相对而言，这六个聚类中，用户终端进行了准确人工标定的属于第一聚类和第六聚类，因此判定所述第一聚类中的第一用户终端和所述第六聚类中的第一用户终端为权限终端。另外，虽然其他聚类中的用户终端在此次未能通过权限验证，但是仍然可以在下一次的图像标定中进行权限验证的过程。

如上述步骤S7-S13所述，鼠类识别终端对第一样本红外影像数据进行标记标签处理，以将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签，从而使多个第一样本红外影像数据转换为多个第二样本红外影像数据；鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值；若所述第二图像的数量小于预设的数量阈值，则将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据；鼠类识别终端将所述多个第三样本红外影像数据划分为第三训练红外影像数据和第三验证红外影像数据，并利用所述第三训练红外影像数据对所述第一鼠类识别模型进行再训练处理，以得到第二鼠类识别模型；鼠类识别终端利用所述第三验证红外影像数据对所述第二鼠类识别模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；若验证结果为验证通过，则获取待预测的红外影像数据，并将待预测的红外影像数据输入所述第二鼠类识别模型中，以得到所述第二鼠类识别模型输出的第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；鼠类识别终端根据第二鼠类识别准确率小于预设的准确率阈值的标准，从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台。

本申请由于利用了云计算平台对于样本红外影像数据的优化，因此鼠类识别终端能够将多个第一样本红外影像数据转换为多个第二样本红外影像数据，其中转换是指将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签。简单来说，即对第一样本红外影像数据中不确定的红外图像进行了细分。而还存在一部分连云计算平台都无法识别的第二图像，若这些第二图像的数量极少，则将其忽略，原因在于少量的误差对于最终的数量预测的影响很小，因此将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据。再利用多个第三样本红外影像数据进行训练，以得到第二鼠类识别模型。其中，第二鼠类识别模型的验证结果的判断可采用任意可行方式，例如判断第二鼠类识别模型输出结果的总识别准确率是否大于第一鼠类识别模型输出结果的总识别准确率。其中，此时的训练可视为神经网络参数的小幅度调整。再利用第二鼠类识别模型对待预测的红外影像数据进行识别处理。需要注意的是，本申请并不仅仅以第二鼠类识别模型的输出结果作为老鼠数量预测的唯一依据，而再次利用了云计算平台的多用户终端的特性。另外，本申请之所以需要滚动训练与识别的过程，而不是直接先利用鼠类识别模型进行识别，再由云计算平台对不确切的红外图像进行人工调整，其原因在于，采用滚动训练与识别的过程，能够使得模型越来越准确，从而使后续输出的不确定的红外图像减少，而云计算平台需要优化的数据也变少，从而多方面改善最终的识别结果；而若是不采用滚动训练与识别的方式，是无法达到上述效果的。从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台。所述第二待定数据集中的红外图像，即为正式识别过程中未能够确定的图像，此时发送给云计算平台，是希望云计算平台进行进一步的处理，以作为老鼠数量预测的另一依据。

进一步地，所述鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值的步骤S8之后，包括：

S81、若所述第二图像的数量不小于预设的数量阈值，则将第二样本红外影像数据中的第二图像发送给预设的多个专用终端；其中，所述专用终端在以往的多次待定图像的人工标定过程中均能正确标定；

S82、鼠类识别终端获取所述多个专用终端对所述第二图像的再次标定结果，并根据再次标定结果，将所述第二图像标记上鼠类标签或者非鼠类标签。

从而在不确定的第二图像较多的情况下，利用多个专用终端进行更进一步的标定。由于人类具有分工特性，不同职业的人类擅长的技能不同，因此生物领域或者农业领域的从业人员等对于鼠类红外图像的标定相对于其他领域的人员更为准确，反应在整体数据上，即所述专用终端在以往的多次待定图像的人工标定过程中均能正确标定(虽然无法确定专用终端的使用者的身份，但是可以确定他们擅于对鼠类红外图像进行标定)，因此利用多个专用终端对所述第二图像的再次标定结果，将所述第二图像标记上鼠类标签或者非鼠类标签，以避免总体的老鼠数量预测出现过大的误差。

如上述步骤S14-S17所述，云计算平台在收到多个第二用户终端发送的权限认证请求的前提下，将所述第二待定数据集中的图像发送给多个第二用户终端，并要求第一用户终端的使用者对收到的图像进行人工标定；云计算平台获取多个第二用户终端发送的人工标定结果，并根据人工标定结果，从第二待定数据集中提取一号图像；其中一号图像被人工标定为鼠类的占比大于预设的第一占比阈值；云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端；鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。

云计算平台关于第二用户终端和第二待定数据集中进行处理时，相较于第一用户终端和第一待定数据集中进行处理，在时间上具有先后顺序，分别用于滚动进行的训练与识别。除了在时间上具有先后顺序之外，云计算平台对于第二用户终端和第二待定数据集，以及对于第一用户终端和第一待定数据集大致是相同的，但是最终效果有所区别，因此其只需要提取一号图像即可，一号图像被人工标定为鼠类的占比大于预设的第一占比阈值，表明一号图像为进一步确定为鼠类图像。其中，多个第二用户终端与多个第一用户终端部分相同，因为多个第一用户终端中有部分已经通过权限验证，无需再参与此时的人工标定过程，但仍有部分第一用户终端未通过权限验证，因此与新的第二用户终端一起参与权限认证。云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端。其中权限判定处理的过程例如可与对第一用户终端进行权限判定的过程相同。鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。具体地，老鼠数量即鼠类图像的数量，即等于一号图像的数量加上待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像的数量。

本申请的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法，获取多个第一样本红外影像数据；获取多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；提取第一指定鼠类识别结果，构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；将所述第一待定数据集中的待定图像发送给多个第一用户终端；分类为第一图像、第二图像和第三图像；进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；转换为多个第二样本红外影像数据；若所述第二图像的数量小于预设的数量阈值，则转换为多个第三样本红外影像数据；得到第二鼠类识别模型；获取待预测的红外影像数据，得到第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；构成第二待定数据集，发送给云计算平台；将所述第二待定数据集中的图像发送给多个第二用户终端；从第二待定数据集中提取一号图像；进行权限判定处理，再将一号图像发送给鼠类识别终端；根据鼠类图像的数量，预测出老鼠数量。从而提高了老鼠数量预测的准确性。

本申请实施例提供一种基于鼠类识别终端与云计算平台交互的老鼠数量预测装置，包括：

第一样本红外影像数据获取单元，用于指示鼠类识别终端获取多个第一样本红外影像数据；每个第一样本红外影像数据均是在连续的时间窗口中采集得到的；

第一鼠类识别结果序列获取单元，用于指示鼠类识别终端将第一样本红外影像数据输入预先训练得到的第一鼠类识别模型中，以得到所述第一鼠类识别模型输出的第一鼠类识别结果序列以及与第一鼠类识别结果序列对应的第一鼠类识别准确率序列，从而获取与所述多个第一样本红外影像数据分别对应的多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；其中，所述第一鼠类识别模型是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的；

第一待定数据集获取单元，用于指示鼠类识别终端根据第一鼠类识别准确率小于预设的准确率阈值的标准，从所有的第一鼠类识别结果序列中提取第一指定鼠类识别结果，并将第一指定鼠类识别结果对应的红外图像标记为待定图像，再将所有的待定图像构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；

第一待定数据集发送单元，用于指示云计算平台在收到多个第一用户终端发送的权限认证请求的前提下，将所述第一待定数据集中的待定图像发送给多个第一用户终端，并要求第一用户终端的使用者对待定图像进行人工标定；其中，每个第一用户终端至少接收一张待定图像，同一张待定图像至少被发送至多个第一用户终端；

第一待定数据集分类单元，用于指示云计算平台获取多个第一用户终端发送的人工标定结果，并根据所述人工标定结果，将第一待定数据集中的待定图像分类为第一图像、第二图像和第三图像；其中第一图像被人工标定为鼠类的占比大于预设的第一占比阈值，第二图像被人工标定为鼠类的占比小于等于预设的第一占比阈值但大于预设的第二占比阈值，第三图像被人工标定为鼠类的占比小于等于预设的第二占比阈值；所述第一占比阈值大于50％，而所述第二占比阈值小于50％；

第一权限判定单元，用于指示云计算平台根据人工标定结果，进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；

第二样本红外影像数据获取单元，用于指示鼠类识别终端对第一样本红外影像数据进行标记标签处理，以将第一样本红外影像数据中第一鼠类识别准确率大于等于预设的准确率阈值对应的红外图像标记上鼠类标签，将第一样本红外影像数据中的第一图像标记上鼠类标签，第一样本红外影像数据中的第三图像标记上非鼠类标签，从而使多个第一样本红外影像数据转换为多个第二样本红外影像数据；

第二图像判断单元，用于指示鼠类识别终端判断所述第二图像的数量是否小于预设的数量阈值；

第三样本红外影像数据获取单元，用于指示若所述第二图像的数量小于预设的数量阈值，则将第二样本红外影像数据中的第二图像删除，从而使多个第二样本红外影像数据转换为多个第三样本红外影像数据；

第二鼠类识别模型获取单元，用于指示鼠类识别终端将所述多个第三样本红外影像数据划分为第三训练红外影像数据和第三验证红外影像数据，并利用所述第三训练红外影像数据对所述第一鼠类识别模型进行再训练处理，以得到第二鼠类识别模型；

第二鼠类识别模型验证单元，用于指示鼠类识别终端利用所述第三验证红外影像数据对所述第二鼠类识别模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；

第二鼠类识别结果序列获取单元，用于指示若验证结果为验证通过，则获取待预测的红外影像数据，并将待预测的红外影像数据输入所述第二鼠类识别模型中，以得到所述第二鼠类识别模型输出的第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；

第二待定数据集获取单元，用于指示鼠类识别终端根据第二鼠类识别准确率小于预设的准确率阈值的标准，从第二鼠类识别结果序列中提取第二指定鼠类识别结果，并将第二指定鼠类识别结果对应的红外图像构成第二待定数据集，将所述第二待定数据集发送给云计算平台；

第二待定数据集发送单元，用于指示云计算平台在收到多个第二用户终端发送的权限认证请求的前提下，将所述第二待定数据集中的图像发送给多个第二用户终端，并要求第一用户终端的使用者对收到的图像进行人工标定；

一号图像提取单元，用于指示云计算平台获取多个第二用户终端发送的人工标定结果，并根据人工标定结果，从第二待定数据集中提取一号图像；其中一号图像被人工标定为鼠类的占比大于预设的第一占比阈值；

一号图像发送单元，用于指示云计算平台根据多个第二用户终端的人工标定结果，进行权限判定处理，再将一号图像发送给鼠类识别终端；

老鼠数量预测单元，用于指示鼠类识别终端将一号图像记为鼠类图像，再将待预测的红外影像数据中第二鼠类识别准确率大于等于预设的准确率阈值对应的红外图像记为鼠类图像，并根据鼠类图像的数量，预测出老鼠数量。

其中上述单元分别用于执行的操作与前述实施方式的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法的步骤一一对应,在此不再赘述。

本申请的基于鼠类识别终端与云计算平台交互的老鼠数量预测装置，获取多个第一样本红外影像数据；获取多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；提取第一指定鼠类识别结果，构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；将所述第一待定数据集中的待定图像发送给多个第一用户终端；分类为第一图像、第二图像和第三图像；进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；转换为多个第二样本红外影像数据；若所述第二图像的数量小于预设的数量阈值，则转换为多个第三样本红外影像数据；得到第二鼠类识别模型；获取待预测的红外影像数据，得到第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；构成第二待定数据集，发送给云计算平台；将所述第二待定数据集中的图像发送给多个第二用户终端；从第二待定数据集中提取一号图像；进行权限判定处理，再将一号图像发送给鼠类识别终端；根据鼠类图像的数量，预测出老鼠数量。从而提高了老鼠数量预测的准确性。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于鼠类识别终端与云计算平台交互的老鼠数量预测方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于鼠类识别终端与云计算平台交互的老鼠数量预测方法。

上述处理器执行上述基于鼠类识别终端与云计算平台交互的老鼠数量预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法的步骤一一对应,在此不再赘述。

本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请的计算机设备，获取多个第一样本红外影像数据；获取多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；提取第一指定鼠类识别结果，构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；将所述第一待定数据集中的待定图像发送给多个第一用户终端；分类为第一图像、第二图像和第三图像；进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；转换为多个第二样本红外影像数据；若所述第二图像的数量小于预设的数量阈值，则转换为多个第三样本红外影像数据；得到第二鼠类识别模型；获取待预测的红外影像数据，得到第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；构成第二待定数据集，发送给云计算平台；将所述第二待定数据集中的图像发送给多个第二用户终端；从第二待定数据集中提取一号图像；进行权限判定处理，再将一号图像发送给鼠类识别终端；根据鼠类图像的数量，预测出老鼠数量。从而提高了老鼠数量预测的准确性。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于鼠类识别终端与云计算平台交互的老鼠数量预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于鼠类识别终端与云计算平台交互的老鼠数量预测方法的步骤一一对应,在此不再赘述。

本申请的计算机可读存储介质，获取多个第一样本红外影像数据；获取多个第一鼠类识别结果序列和多个第一鼠类识别准确率序列；提取第一指定鼠类识别结果，构成第一待定数据集，将所述第一待定数据集发送给预设的云计算平台；将所述第一待定数据集中的待定图像发送给多个第一用户终端；分类为第一图像、第二图像和第三图像；进行权限判定处理，再将第一图像、第二图像和第三图像发送给鼠类识别终端；转换为多个第二样本红外影像数据；若所述第二图像的数量小于预设的数量阈值，则转换为多个第三样本红外影像数据；得到第二鼠类识别模型；获取待预测的红外影像数据，得到第二鼠类识别结果序列和对应的第二鼠类识别准确率序列；构成第二待定数据集，发送给云计算平台；将所述第二待定数据集中的图像发送给多个第二用户终端；从第二待定数据集中提取一号图像；进行权限判定处理，再将一号图像发送给鼠类识别终端；根据鼠类图像的数量，预测出老鼠数量。从而提高了老鼠数量预测的准确性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。