基于卷积神经网络的野生动物监测图像自动识别方法研究

发布时间：2024-02-29 03:14

　　利用深度学习对野生动物进行自动识别分类,可以大大提高野生动物监测效率,为野生动物保护策略的制定提供可靠的数据支持。但是目前野生动物的自动识别仍面临着监测图像背景信息复杂、质量低造成的识别准确率低的问题,影响了深度学习技术在野生动物保护领域的应用落地。为了实现高准确率的野生动物自动识别,本文基于自建的内蒙古地区主要陆生野生动物数据集以及塞伦盖蒂公开数据集,开展基于卷积神经网络的野生动物监测图像自动识别方法研究,并分析了图像质量对识别效果的影响,进一步探究了提高低质量图像识别准确率的方法。主要内容如下:1、提出基于感兴趣区域与卷积神经网络的野生动物监测图像自动识别算法。采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI(Region of Interest)图像,减少复杂背景信息对物种识别的干扰;构建基于全局-局部的VGG16双通道网络模型对样本图像进行特征提取,最后输入分类器实现野生动物的识别。提出的识别模型对马鹿、斑羚、狍、猞猁和野猪五种野生动物的识别效果均优于VGG19结构下的双通道网络模型以及基于VGG16、R-CNN和Fast R-CNN的识别模型...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 选题背景与意义
    1.2 国内外研究现状
        1.2.1 传统野生动物图像识别研究现状
        1.2.2 基于卷积神经网络的野生动物图像识别研究现状
        1.2.3 低质量图像识别研究现状
    1.3 本文的研究内容与组织结构
        1.3.1 研究内容
        1.3.2 组织结构
2 基于卷积神经网络的图像识别基础
    2.1 卷积神经网络
    2.2 深度残差网络
        2.2.1 残差模块
        2.2.2 多分支聚合残差结构
    2.3 野生动物监测图像数据集
        2.3.1 内蒙古地区主要陆生野生动物监测图像数据集
        2.3.2 塞伦盖蒂公开数据集
    2.4 本章小结
3 基于ROI与 CNN的野生动物监测图像自动识别
    3.1 感兴趣区域(ROI)提取技术概述
        3.1.1 基于视觉显著性的ROI提取方法
        3.1.2 基于深度学习的ROI提取方法
    3.2 基于ROI与 CNN的双通道野生动物自动识别算法研究
        3.2.1 野生动物感兴趣区域提取
        3.2.2 双通道卷积神经网络
        3.2.3 评价指标
    3.3 实验结果与分析
        3.3.1 不同CNN网络结构的对比实验
        3.3.2 与VGG16、R-CNN、Fast R-CNN的性能对比实验
    3.4 本章小结
4 基于SE-Res Ne Xt的野生动物监测图像自动识别
    4.1 SENet单元结构概述
    4.2 SE-Res Ne Xt网络结构
    4.3 实验结果与分析
        4.3.1 基于自建数据集的对比实验
        4.3.2 基于塞伦盖蒂数据集的对比实验
    4.4 本章小结
5 低质量监测图像对算法识别效果影响探究
    5.1 低质量监测图像特点与分析
        5.1.1 低分辨率监测图像特点与分析
        5.1.2 高丢包率监测图像特点与分析
        5.1.3 低质量野生动物监测图像样本集制作
    5.2 低质量监测图像的自动识别实验研究
        5.2.1 低质量监测图像自动识别实验
        5.2.2 低质量监测图像自动识别结果与分析
    5.3 基于图像预处理的低质量监测图像自动识别实验研究
        5.3.1 基于双三次插值的图像像素扩充
        5.3.2 图像锐化去噪增强
        5.3.3 基于低质量图像预处理的自动识别实验分析
        5.3.4 不同超参数实验分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢



本文编号：3914406