(19)中华 人民共和国 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 202111670234.3 (22)申请日 2021.12.31 (71)申请人 东北林业大 学 地址 150000 黑龙江省哈尔滨市香坊区和 兴路26号 (72)发明人 谢永华　蒋珏泽　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 符继超 (51)Int.Cl. G06K 9/62(2022.01) G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于YOLOv5算法的机载热成像野生动 物物种分类方法 (57)摘要 本发明公开了一种基于YOLOv5算法的机载 热成像野生动物物种分类方法， 包括以下步骤： 获取红外 热成像的野生动物监测影像， 将预处理 后的所述野生动物监测影像输入至训练好的物 种分类模型中进行物种分类， 获得分类结果； 所 述物种分类模型是将YOLOv5算法模型中除主干 网络的CSP结构内部以外的所有卷积层均替换为 Ghost模块， 并在主干网络中添加注意力机制模 块SE， 建成物种分类模型。 本发明有效减小了模 型的体量， 参数更小， 有效提高了计算效率及其 准确率， 为现有技术中的野生动物物种分类提供 了新的方法。 权利要求书1页 说明书7页 附图7页 CN 114358178 A 2022.04.15 CN 114358178 A 1.一种基于YOLOv5算法的机载热成像野生动物物种分类方法， 其特征在于， 包括以下 步骤： 获取红外热成像的野生动物监测影像， 将预处理后的所述野生动物监测影像输入至训 练好的物种分类模型中进行物种分类， 获得分类结果； 其中， 所述物种分类模型的构建及训练方法包括： S1.获取红外热成像的野生动物监测影 像， 建立数据集， 并对数据集进行 预处理； S2.将YOLOv5算法模型中除主干网络的CSP结构内部以外的所有卷积层均替换为Ghost 模块， 并在主干网络中添加注意力机制模块SE， 建成物种分类模型； S3.将预处理后的数据集分为训练集和验证集， 将所述训练集输入所述物种分类模型 中对模型进行训练， 通过验证集对训练后的所述物种分类模型的分类结果进行验证， 得到 训练好的所述物种分类模型。 2.根据权利要求1所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法， 其特征在于， 获取红外热成像的野生动物监测影像的具体内容包括： 在最佳飞行参数 的情 况下， 利用无 人机红外热成像监测野生动物； 其中 最佳飞行参数包括高度、 速度、 噪音和成像质量。 3.根据权利要求1所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法， 其特征在于， S1中的预处 理包括以下内容： 所述数据集内的样本数据进行Mosaic数据增强； 对所述样本数据进行随机裁剪、 色调 改变、 随机翻转， 实现所述样本数据进行 数据增强， 并对每幅图像进行归一 化处理。 4.根据权利要求1所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法， 其特征在于， 所述物种分类模 型中的主干网络依次包括： Focus结构、 第一特征提取部 分、 第 二特征提取部分和S PP结构； 所述Focus结构， 输入端与模型input端相连， 输出端连接所述第一特征提取部分， 用于 完成切片操作， 即将6 08×608×3的图像转换成3 04×304×12的特征图； 所述第一特征提取部分、 所述第二特征提取部分和所述SPP结构中均包括所述Ghost模 块， 且数量依次为2个、 1个和1个； 每两个所述Ghost模块之间均通过一个所述CSP结构相连， 第三个所述CSP结构与第四 个所述Ghost模块之间还连接有注 意力机制模块S E， 第四个所述Ghost模块后还 连接有所述 SPP结构。 5.根据权利要求4所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法， 其特征在于， 在所述物种分类模 型中， 第一个所述CSP结构中包括 1个残差模块， 第二个所述 CSP结构和第三个所述CS P结构中包括3个残差模块。权　利　要　求　书 1/1 页 2 CN 114358178 A 2一种基于 YOLOv5算法的机 载热成像野生动物 物种分类方 法 技术领域 [0001]本发明涉及物种识别技术领域， 更具体的说是涉及一种基于YOLOv5算法的机载热 成像野生动物 物种分类方法。 背景技术 [0002]随着近年来计算机视觉的发展和硬件计算能力的提升， 深度学习开始广泛应用于 大数据分析、 人工智能、 图像处理等领域。 目标检测是图像处理领域的一个重要分支， 不仅 要完成背景与目标的分类任务， 如果包含目标则还需检出目标的精确 位置信息， 其方法主 要分为两大类： 基于传统人工特征 的目标检测方法和基于深度学习的目标检测方法。 传统 的目标检测算法,多 是基于滑动窗口模 型,对手工特征进 行提取、 匹配,存在单一性、 计算复 杂、 适用性不好的缺点,检测精度和速度较差。 2012年AlexNet出现之后， 因简单高效的深度 网络提取 的抽象特征表征能力远超传统特征， 准确度和效率大幅提升,以卷积神经网络为 代表的深度学习模型渐渐取代了传统的滑动窗口人工提取特征， 成为了目标检测领域的主 流方法。 基于深度学习的目标检测 算法主要分为两类， 基于区域的双阶段方法和基于回归 的单阶段 方法。 [0003]双阶段算法需要先生成候选框再通过网络进行分类， 代表算法有2014年 GirshickR等提出的基于区域提取的R ‑CNN算法。 R ‑CNN首先获取输入图像,然后利用选择性 搜索算法提取大约2000个自下而 上的区域,使用大型卷积神经网络计算每个提取区域的特 征,最后使用特定的类线性SVM对每个区域进行分类。 然而双阶段算法具有速度慢的缺陷， 而单阶段算法直接对整张图像进行预测以实现分类和定位， 代表算法有2016年RedmonJ等 提出的YOLO(YouOnlyLookOnce)算法， 与基于 区域的目标检测算法利用分类器来执行检测 不同,YOLO算法将目标检测框架看作空间上的回归问题,单个神经网络可经过一次运算从 完整图像上得到边界框和类别概率的预测,有利于对检测 性能进行端到端的优化。 单阶段 算法进行 的是端到端回归， 速度相比双阶段有明显提高， 不同算法权重大小也比双阶段算 法缩小5‑10倍。 [0004]因此， 如何提供一种基于YOLOv5算法的机载热成像野生动 物物种分类方法是本领 域技术人员亟需解决的问题。 发明内容 [0005]有鉴于此， 本 发明提供了一种基于YOLOv5算法的机载热成像野生动 物物种分类方 法， [0006]为了实现上述目的， 本发明采用如下技 术方案： [0007]一种基于 YOLOv5算法的机载 热成像野生动物 物种分类方法， 包括以下步骤： [0008]获取红外热成像的野生动 物监测影像， 将预处理后的所述野生动物监测影像输入 至训练好的物种分类模型中进行物种分类， 获得分类结果； [0009]其中， 所述物种分类模型的构建及训练方法包括：说　明　书 1/7 页 3 CN 114358178 A 3