一种熊蜂斗殴行为的预测方法和装置制造方法及图纸

本发明专利技术公开了一种熊蜂斗殴行为的预测方法和装置，方法包括：获取训练样本集，其中，训练样本集为多张标注有标签类别的熊蜂群照片；根据斗殴识别模型识别训练样本集的训练样本，获得熊蜂轮廓的极坐标系，其中，斗殴识别模型为金字塔结构中融合有注意力机制的残差卷积神经网络模型；根据极坐标系确定斗殴识别模型的训练预测结果，待训练预测结果达到预设目标时，确定斗殴识别模型完成训练；根据完成训练的斗殴识别模型，识别存在斗殴行为的熊蜂。预测方法使用斗殴识别模型得到的一次分类，和基于熊蜂轮廓得到的二次分类来共同预测该位置熊蜂的斗殴情况，该预测方式结合了熊蜂图片特征和熊蜂轮廓特征，进而提高了对熊蜂斗殴行为预测的准确率。预测的准确率。预测的准确率。

【技术实现步骤摘要】
一种熊蜂斗殴行为的预测方法和装置


[0001]本申请涉及昆虫行为预测的
，尤其涉及一种熊蜂斗殴行为的预测方法和装置。

技术介绍

[0002]蜂业在现代农业中发挥着重要作用，不光蜂产品具有较高的经济价值，蜜蜂授粉也可以代替人力更好的提高农作物的座果率，目前全球有三分之一以上的粮食生产依靠蜜蜂授粉。蜜蜂在长期的进化过程中建立了一套严密而完善的劳动分工体系，熊蜂作为蜜蜂中的一类，有相关科研发现当一个熊蜂蜂群中频繁出现熊蜂间的斗殴生物行为，预示着该蜂群的社会结构可能已出现崩溃迹象，这会导致大量熊蜂脱离当前蜂巢，极大的影响蜂产业的经济效益。如果能及时有效的检测到这一系列的熊蜂生物行为，不仅有助于蜂农提高蜂产业产量，也有助于研究更深层次的蜂巢社会结构关系。
[0003]因此，如何对熊蜂斗殴行为进行准确预测，是目前亟待解决的技术问题。

技术实现思路

[0004]本专利技术的一种熊蜂斗殴行为的预测方法和装置，能够对熊蜂斗殴行为进行准确预测。
[0005]本专利技术实施例提供了以下方案：
[0006]第一方面，本专利技术实施例提供了一种熊蜂斗殴行为的预测方法，所述方法包括：
[0007]获取训练样本集，其中，所述训练样本集为多张标注有标签类别的熊蜂群照片；
[0008]根据斗殴识别模型识别所述训练样本集的训练样本，获得熊蜂轮廓的极坐标系，其中，所述斗殴识别模型为金字塔结构中融合有注意力机制的残差卷积神经网络模型；
[0009]根据所述极坐标系确定所述斗殴识别模型的训练预测结果，待所述训练预测结果达到预设目标时，确定所述斗殴识别模型完成训练；
[0010]根据完成训练的所述斗殴识别模型，识别存在斗殴行为的熊蜂。
[0011]在一种可选的实施例中，所述获取训练样本集，包括：
[0012]弱光照环境下使用不同型号的夜视摄像机分时段拍摄熊蜂群，获得活动视频；
[0013]按预设帧数分割所述活动视频，获得所述熊蜂群活动照片；
[0014]筛分所述熊蜂群活动照片，并对应标注所述标签类别，获得所述训练样本集。
[0015]在一种可选的实施例中，所述筛分所述熊蜂群活动照片，并对应标注所述标签类别，获得所述训练样本集之后，还包括：
[0016]根据数量增强算法和质量增强算法处理所述熊蜂群活动照片，更新所述取训练样本集。
[0017]在一种可选的实施例中，所述根据斗殴识别模型识别所述训练样本集的训练样本，获得熊蜂轮廓的极坐标系，包括：
[0018]根据斗殴识别模型处理所述训练样本，获得映射于所述熊蜂轮廓的多个回归坐标
点；
[0019]在所述多个回归坐标点中确定出中心坐标点；
[0020]根据所述中心坐标点至所述熊蜂轮廓的预设数量线段，获得所述极坐标系。
[0021]在一种可选的实施例中，所述根据斗殴识别模型处理所述训练样本，获得映射于所述熊蜂轮廓的多个回归坐标点，包括：
[0022]输入所述训练样本至所述斗殴识别模型进行卷积计算，获得预设层数的特征图；
[0023]映射所述特征图上的每个特征点至所述训练样本；
[0024]根据所述训练样本标注的所述熊蜂轮廓中所有所述特征点，确定为所述多个回归坐标点。
[0025]在一种可选的实施例中，所述在所述多个回归坐标点中确定出中心坐标点，包括：
[0026]根据每个回归坐标点至所述熊蜂轮廓的预设数量的辐射点，对应获得所述预设数量的辐射距离，所述每个回归坐标点为所述多个回归坐标点中的任一回归坐标点；
[0027]根据所述预设数量的所述辐射距离的乘积，获得回归坐标点的回归结果；
[0028]根据所有所述回归结果中的最大值，确定对应的所述回归坐标点为所述中心坐标点。
[0029]在一种可选的实施例中，所述根据所述极坐标系确定所述斗殴识别模型的训练预测结果，包括：
[0030]根据所述极坐标系的回归信息和所述斗殴识别模型的二元交叉熵损失函数，确定所述训练预测结果。
[0031]第二方面，本专利技术实施例还提供了一种熊蜂斗殴行为的预测装置，所述装置包括：
[0032]获取模块，用于获取训练样本集，其中，所述训练样本集为多张标注有标签类别的熊蜂群照片；
[0033]获得模块，用于根据斗殴识别模型识别所述训练样本集的训练样本，获得熊蜂轮廓的极坐标系，其中，所述斗殴识别模型为金字塔结构中融合有注意力机制的残差卷积神经网络模型；
[0034]确定模块，用于根据所述极坐标系确定所述斗殴识别模型的训练预测结果，待所述训练预测结果达到预设目标时，确定所述斗殴识别模型完成训练；
[0035]识别模块，用于根据完成训练的所述斗殴识别模型，识别存在斗殴行为的熊蜂。
[0036]第三方面，本专利技术实施例还提供了一种电子设备，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行第一方面中任一项所述方法的步骤。
[0037]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
[0038]本专利技术提供的一种熊蜂斗殴行为的预测方法和装置与现有技术相比，具有以下优点：
[0039]本专利技术通过获取多张标注有标签类别的熊蜂群照片作为训练样本集，根据斗殴识别模型识别训练样本集的训练样本，将训练样本的背景、斗殴熊蜂和非斗殴熊蜂进行一次分类，获得熊蜂轮廓的极坐标系，根据极坐标系确定斗殴识别模型的训练预测结果，通过在熊蜂轮廓中建立极坐标系进行计算，使用卷积层能够再次提取回归信息，以进行二次分类，
能够使斗殴识别模型训练和识别更加精准，其原理是使用斗殴识别模型得到的一次分类，和基于熊蜂轮廓得到的二次分类来共同预测该位置熊蜂的斗殴情况，该预测方式结合了熊蜂图片特征和熊蜂轮廓特征，进而提高了对熊蜂斗殴行为预测的准确率。
附图说明
[0040]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术实施例提供的一种熊蜂斗殴行为的预测方法的流程图；
[0042]图2为本专利技术实施例提供的熊蜂群照片示意图；
[0043]图3为本专利技术实施例提供的ResNet
‑
18骨干网络的结构示意图；
[0044]图4为本专利技术实施例提供的BasicBlock模块的结构示意图；
[0045]图5为本专利技术实施例提供的特性图的提取流程图；
[0046]图6为本专利技术实施例提供的极坐标系的结构示意图；
[0047]图7为本专利技术实施例提供的中心坐标点与熊蜂轮廓的示意图；
[0048]图8为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种熊蜂斗殴行为的预测方法，其特征在于，所述方法包括：获取训练样本集，其中，所述训练样本集为多张标注有标签类别的熊蜂群照片；根据斗殴识别模型识别所述训练样本集的训练样本，获得熊蜂轮廓的极坐标系，其中，所述斗殴识别模型为金字塔结构中融合有注意力机制的残差卷积神经网络模型；根据所述极坐标系确定所述斗殴识别模型的训练预测结果，待所述训练预测结果达到预设目标时，确定所述斗殴识别模型完成训练；根据完成训练的所述斗殴识别模型，识别存在斗殴行为的熊蜂。2.根据权利要求1所述的熊蜂斗殴行为的预测方法，其特征在于，所述获取训练样本集，包括：弱光照环境下使用不同型号的夜视摄像机分时段拍摄熊蜂群，获得活动视频；按预设帧数分割所述活动视频，获得所述熊蜂群活动照片；筛分所述熊蜂群活动照片，并对应标注所述标签类别，获得所述训练样本集。3.根据权利要求2所述的熊蜂斗殴行为的预测方法，其特征在于，所述筛分所述熊蜂群活动照片，并对应标注所述标签类别，获得所述训练样本集之后，还包括：根据数量增强算法和质量增强算法处理所述熊蜂群活动照片，更新所述取训练样本集。4.根据权利要求1所述的熊蜂斗殴行为的预测方法，其特征在于，所述根据斗殴识别模型识别所述训练样本集的训练样本，获得熊蜂轮廓的极坐标系，包括：根据斗殴识别模型处理所述训练样本，获得映射于所述熊蜂轮廓的多个回归坐标点；在所述多个回归坐标点中确定出中心坐标点；根据所述中心坐标点至所述熊蜂轮廓的预设数量线段，获得所述极坐标系。5.根据权利要求4所述的熊蜂斗殴行为的预测方法，其特征在于，所述根据斗殴识别模型处理所述训练样本，获得映射于所述熊蜂轮廓的多个回归坐标点，包括：输入所述训练样本至所述斗殴识别模型进行卷积计算，获得预设层数的特征图；映射所述特征图上的每个特征点至所述训练样本；根据所述训练样本标注的所述...

【专利技术属性】
技术研发人员：高昊君，陈曙东，杜蓉，张雪婷，王宪辉，葛瑨，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：