驱鸟方法、装置、计算机设备及存储介质与流程

本发明涉及驱鸟方法，更具体地说是指驱鸟方法、装置、计算机设备及存储介质。

背景技术：

在一些特殊的场合会由于鸟类的存在，导致灾难的发生，比如机场以及变电站等，在变电站场合，当鸟类在这些电力设备上休息、居住的同时，也会给这些电力设备带来严重的安全隐患，在机场场合，当鸟类存在时会对飞机的飞行或者起飞等造成很大的影响。在这些特殊的场合配备了一些比较常见的基础驱鸟设备，例如超声波，煤气炮，激光等设备，但这些设备的驱动方式包括比较传统的定时驱动或者人工驱动。

再者，有些鸟可能就在特殊场合短暂飞行而过，或者徘徊一下就飞走了，这时候直接就驱动驱鸟设备则毫无意义，而且机场驱鸟的方式主要通过主要是驱鸟炮，超声波等发声设备驱鸟，如此如果频繁的驱动驱鸟设备，通过一段时间，鸟类容易对驱鸟声去进行自然适应能力，降低驱鸟设备的驱鸟效果，并且有时还会对鸟类造成一定的损害。

因此，有必要设计一种新的方法，实现对于非短暂经过的鸟类采取驱鸟操作，且减少声波对鸟类刺激，缓减鸟类对声波的自适应速度。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供驱鸟方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：驱鸟方法，包括：

获取实时图像，以得到待检测图像；

将待检测图像输入鸟类检测模型内进行检测，以得到检测结果；

判断所述检测结果是否是有鸟类存在的结果；

若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹；

分析所述鸟类飞行轨迹，以得到分析结果；

根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作；

其中，所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的。

其进一步技术方案为：所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的，包括：

获取鸟类图像；

对鸟类图像进行鸟类标签的标注，以得到样本数据集；

采用样本数据集训练深度学习神经网络，以得到鸟类检测模型。

其进一步技术方案为：所述采用样本数据集训练深度学习神经网络，以得到鸟类检测模型，包括：

将样本数据集划分为训练集以及测试集；

设置yolov4算法训练的参数；

使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；

采用测试集对初始模型进行测试，以得到测试结果；

判断所述测试结果是否符合要求；

若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；

若所述测试结果符合要求，则将所述初始模型作为鸟类检测模型。

其进一步技术方案为：所述采用目标跟踪算法获取鸟类飞行轨迹，包括：

设定监控区域的感兴趣区域；

根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点；

采用目标跟踪算法跟踪所述中心点，以得到轨迹点；

保存所述轨迹点，以形成鸟类飞行轨迹。

其进一步技术方案为：所述分析所述鸟类飞行轨迹，以得到分析结果，包括：

判断所述鸟类是否是单只鸟；

若所述鸟类是单只鸟，则判断所述鸟类飞行轨迹最后一个轨迹点是否离开监控区域的感兴趣区域；

若所述鸟类飞行轨迹最后一个轨迹点离开监控区域的感兴趣区域，则所述分析结果是没有鸟类逗留的结果；

若所述鸟类不是单只鸟，则根据所述鸟类飞行轨迹计算进入监控区域的感兴趣区域的鸟数量以及离开监控区域的感兴趣区域的鸟数量；

判断进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量是否相等；

若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量相等，则执行所述分析结果是没有鸟类逗留的结果；

若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量不相等，则所述分析结果是有鸟类逗留的结果。

其进一步技术方案为：所述根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作，包括：

当所述分析结果是没有鸟类逗留的结果时，发送驱动设备关闭的通知至驱鸟设备，以使驱鸟设备不进行驱鸟操作；当所述分析结果是有鸟类逗留的结果时，发送驱动设备开启通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

本发明还提供了驱鸟装置，包括：

图像获取单元，用于获取实时图像，以得到待检测图像；

检测单元，用于将待检测图像输入鸟类检测模型内进行检测，以得到检测结果；

判断单元，用于判断所述检测结果是否是有鸟类存在的结果；

跟踪单元，用于若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹；

分析单元，用于分析所述鸟类飞行轨迹，以得到分析结果；

发送单元，用于根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作。

其进一步技术方案为：所述跟踪单元包括：

区域设定子单元，用于设定监控区域的感兴趣区域；

中心点计算子单元，用于根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点；

中心点跟踪子单元，用于采用目标跟踪算法跟踪所述中心点，以得到轨迹点；

保存子单元，用于保存所述轨迹点，以形成鸟类飞行轨迹。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过获取实时图像，再将图像输入至鸟类检测模型内进行鸟类检测，当实时图像内出现鸟类时，则采用目标跟踪算法进行鸟类飞行轨迹的跟踪，根据跟踪所得的轨迹进行分析，以不同的情况驱动驱鸟设备或者关闭驱鸟设备，实现对于非短暂经过的鸟类采取驱鸟操作，且减少声波对鸟类刺激，缓减鸟类对声波的自适应速度。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。

图1为本发明实施例提供的驱鸟方法的应用场景示意图；

图2为本发明实施例提供的驱鸟方法的流程示意图；

图3为本发明实施例提供的驱鸟方法的子流程示意图；

图4为本发明实施例提供的驱鸟方法的子流程示意图；

图5为本发明实施例提供的驱鸟方法的子流程示意图；

图6为本发明实施例提供的驱鸟方法的子流程示意图；

图7为本发明实施例提供的驱鸟装置的示意性框图；

图8为本发明实施例提供的驱鸟装置的跟踪单元的示意性框图；

图9为本发明实施例提供的驱鸟装置的分析单元的示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的驱鸟方法的应用场景示意图。图2为本发明实施例提供的驱鸟方法的示意性流程图。该驱鸟方法应用于被监控服务器中。该服务器与摄像设备、驱鸟设备进行数据交互，从摄像设备获取到实时图像，利用训练完毕的鸟类检测模型进行检测，在根据检测结果进行鸟类飞行轨迹的分析，依据分析结果驱动对应的驱鸟设备进行驱鸟操作。

图2是本发明实施例提供的驱鸟方法的流程示意图。如图2所示，该方法包括以下步骤s110至s160。

s110、获取实时图像，以得到待检测图像。

在本实施例中，待检测图像是指摄像设备拍摄所得的某一区域的图像。在本实施例中，指的是摄像设备拍摄所得的机场的起飞跑道和降落跑道区域的图像。

s120、将待检测图像输入鸟类检测模型内进行检测，以得到检测结果。

在本实施例中，检测结果包括是否有鸟类存在的类别，当检测到的是有鸟类存在的类别，检测结果内还包括该鸟类所在的矩形框，也就是鸟类所在的位置。

其中，所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的。

请参阅图3，上述的鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的，可包括步骤s121～s123。

s121、获取鸟类图像。

在本实施例中，鸟类图像是指采用摄像头或者网络收集，随手抓拍等各种方式收集不同天气，不同时间的鸟类照片。

s122、对鸟类图像进行鸟类标签的标注，以得到样本数据集。

在本实施例中，样本数据集是指带有标签的鸟类图像且可用于训练深度学习神经网络的数据。

通过网络上收集和人工拍摄到鸟类图像，尽可能的收集到各种环境背景下的鸟类图像，使用对鸟类图像进行标注，保存为xml数据格式文件。将标注的鸟类图像按比例9:1随机分为训练集和测试集，当然，还可以按照实际需求设定不同比例划分样本数据集。

s123、采用样本数据集训练深度学习神经网络，以得到鸟类检测模型。

在本实施例中，鸟类检测模型是指已训练且可用于直接对输入的图像进行鸟类检测以得到是否存在鸟类且当存在鸟类时鸟类所在的位置信息的模型。

在一实施例中，请参阅图4，上述的步骤s123可包括步骤s1231～s1236。

s1231、将样本数据集划分为训练集以及测试集。

在本实施例中，训练集是用于训练yolov4算法的图像数据；测试集是用于测试已训练的yolov4算法的图像数据。

s1232、设置yolov4算法训练的参数；

s1233、使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型。

在本实施例中，初始模型是指使用深度学习神经网络中的yolov4算法训练，采用随机梯度下降算法训练，当损失函数值降到趋于稳定时，即当损失函数的loss值趋于稳定后停止训练，保存训练得到的模型。

s1234、采用测试集对初始模型进行测试，以得到测试结果。

在本实施例中，测试结果是指采用测试集对初始模型进行测试所得的结果。

s1235、判断所述测试结果是否符合要求；

若所述测试结果不符合要求，则执行所述步骤s1232；

s1236、若所述测试结果符合要求，则将所述初始模型作为鸟类检测模型。

具体地，使用map(均值平均精度，meanaverageprecision)指标来判断测试集对初始模型的测试结果，如果map小于0.95，则修改训练参数设置或者增加数据集重新训练，直到满足map大于0.95的要求。map指标是对一个类别内求平均精确度，然后对所有类别的平均精确度再求平均。

使用深度学习神经网络训练，采用随机梯度下降算法训练，带损失函数值降到趋于稳定时，将初始模型进行测试和评估，选择最佳模型，由此形成鸟类检测模型。

s130、判断所述检测结果是否是有鸟类存在的结果。

若所述检测结果是没有鸟类存在的结果，则执行所述步骤s110；

s140、若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹。

在本实施例中，鸟类飞行轨迹是指鸟类检测模型检测到的鸟类的飞行轨迹。

在一实施例中，请参阅图5，上述的步骤s140可包括步骤s141～s144。

s141、设定监控区域的感兴趣区域。

在本实施例中，感兴趣区域是指所监控的区域的一部分，当鸟类进入到该部分则表明受到鸟类的干扰，需要进行驱鸟操作。

在摄像头画面范围，设置一个鸟类监控区域的感兴趣区域，如果有鸟出现，则开始跟踪鸟的飞行，如果鸟入侵感兴趣区域，启动目标跟踪算法。

s142、根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点。

在本实施例中，鸟所在矩形框是指检测结果是鸟类存在的类别时所输出的鸟类所在的位置信息所形成矩形框，计算这个矩形框的中心点，可以将鸟类简化为一个点来跟踪，能够更好地进行目标的跟踪。

另外，中心点是指矩形框的中心点。

s143、采用目标跟踪算法跟踪所述中心点，以得到轨迹点。

在本实施例中，轨迹点是指在不同时刻的中心点。

s144、保存所述轨迹点，以形成鸟类飞行轨迹。

采用成熟的kcf(核相关滤波，kernelcorrelationfilter)跟踪算法，跟踪鸟类的飞行轨迹，并且保存每个轨迹点，形成目标轨迹缓冲区，该目标轨迹缓冲区内的数据形成鸟类飞行轨迹，一个目标保存一个缓冲区，如果有10只鸟则保存的数据就是10个缓冲区的数组。

kcf跟踪算法是判别式跟踪，主要是使用给出的样本去训练一个判别分类器，判断跟踪到的是目标还是周围的背景信息。主要使用轮转矩阵对样本进行采集，使用快速傅里叶变化对算法进行加速计算。

s150、分析所述鸟类飞行轨迹，以得到分析结果。

在本实施例中，分析结果是指对鸟类飞行轨迹进行分析，分析其是否经过感兴趣区域，还是在感兴趣区域进行逗留或者是未经过感兴趣区域。

在一实施例中，请参阅图6，上述的步骤s150可包括步骤s151～s156。

s151、判断所述鸟类是否是单只鸟；

s152、若所述鸟类是单只鸟，则判断所述鸟类飞行轨迹最后一个轨迹点是否离开监控区域的感兴趣区域；

若所述鸟类飞行轨迹最后一个轨迹点离开监控区域的感兴趣区域，则执行步骤s156；

s153、若所述鸟类飞行轨迹最后一个轨迹点不离开监控区域的感兴趣区域，则所述分析结果是没有鸟类逗留的结果；

s154、若所述鸟类不是单只鸟，则根据所述鸟类飞行轨迹计算进入监控区域的感兴趣区域的鸟数量以及离开监控区域的感兴趣区域的鸟数量；

s155、判断进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量是否相等；

若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量相等，则执行所述步骤s153；

s156、若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量不相等，则所述分析结果是有鸟类逗留的结果。

设置鸟类监控区域的感兴趣区域，如果检测鸟类入侵感兴趣区域，则开始跟踪鸟类目标，统计鸟类的飞行轨迹，以2s时间为单位实时跟踪鸟的飞行轨迹，如果改轨迹满足上述的驱鸟条件则驱动驱鸟设备驱鸟，否则不进行驱鸟操作。

具体地，设定2s时间，服务器1秒时间处理30帧图像，那么一点轨迹缓存区就是由30个轨迹点组成，如果在2s时间内，对于单只鸟入侵，鸟类目标的最终轨迹点离开了感兴趣区域，则视为鸟类短暂入侵感兴趣区域，则不进行驱鸟动作，否则驱动驱鸟设备。对于多只鸟入侵，则需要统计离开的鸟数，以及仍在跟踪的鸟数，当多只鸟入侵总数与离开总数相等，说明这是一群鸟的短暂入侵经过感兴趣区域后就离开了，则不进行驱鸟操作。当多只鸟的入侵总数与离开总数不等，再计算还在跟踪的驱鸟总数，来判断是否驱动驱鸟设备。假设入侵感兴趣区域的鸟的总数是10只鸟，而离开的鸟总数是6知鸟，那么没有离开的4只鸟，而在感兴趣区域内还在跟踪的鸟的数量是大于0，则说明有鸟在感兴趣区域徘徊存在风险，所以驱动驱鸟设备。但是如果这时跟踪的鸟数量为0了，则说明鸟被机场地面的草丛遮挡，或者在地面觅食，暂时没有风险，可暂时不联动驱鸟设备驱鸟，同时记录鸟类在机场地面停留的数量，因为这类鸟，有可能是机场有草或者食物吸引，导致在机场停留，那么机场通过数据库一段时间的观察，来改变机场一些环境，比如除草或者驱虫等改变生态环境的方式来达到驱鸟效果。

s160、根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作。

在本实施例中，当所述分析结果是没有鸟类逗留的结果时，发送驱动设备关闭的通知至驱鸟设备，以使驱鸟设备不进行驱鸟操作；当所述分析结果是有鸟类逗留的结果时，发送驱动设备开启通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

保存鸟类飞行轨迹图、驱鸟状态、鸟类数量、鸟类图片及鸟类出现时间，季节等建立鸟类飞行数据库，供相关人员进行机场鸟类生态研究。

上述的驱鸟方法，通过获取实时图像，再将图像输入至鸟类检测模型内进行鸟类检测，当实时图像内出现鸟类时，则采用目标跟踪算法进行鸟类飞行轨迹的跟踪，根据跟踪所得的轨迹进行分析，以不同的情况驱动驱鸟设备或者关闭驱鸟设备，实现对于非短暂经过的鸟类采取驱鸟操作，且减少声波对鸟类刺激，缓减鸟类对声波的自适应速度。

图7是本发明实施例提供的一种驱鸟装置300的示意性框图。如图7所示，对应于以上驱鸟方法，本发明还提供一种驱鸟装置300。该驱鸟装置300包括用于执行上述驱鸟方法的单元，该装置可以被配置于服务器中。具体地，请参阅图7，该驱鸟装置300包括图像获取单元301、检测单元302、判断单元303、跟踪单元304、分析单元305以及发送单元306。

图像获取单元301，用于获取实时图像，以得到待检测图像；检测单元302，用于将待检测图像输入鸟类检测模型内进行检测，以得到检测结果；判断单元303，用于判断所述检测结果是否是有鸟类存在的结果；跟踪单元304，用于若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹；分析单元305，用于分析所述鸟类飞行轨迹，以得到分析结果；发送单元306，用于根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作。

在一实施例中，上述的驱鸟装置300还包括检测模型构建单元，所述检测模型构建单元，用于通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络，以得到鸟类检测模型。

在一实施例中，所述检测模型构建单元包括鸟类图像获取子单元、标签标注子单元以及训练子单元。

鸟类图像获取子单元，用于获取鸟类图像；标签标注子单元，用于对鸟类图像进行鸟类标签的标注，以得到样本数据集；训练子单元，用于采用样本数据集训练深度学习神经网络，以得到鸟类检测模型。

在一实施例中，所述训练子单元包括划分模块、参数设置模块、初始模型获取模块、测试模块以及结果判断模块。

划分模块，用于将样本数据集划分为训练集以及测试集；参数设置模块，用于设置yolov4算法训练的参数；初始模型获取模块，用于使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；测试模块，用于采用测试集对初始模型进行测试，以得到测试结果；结果判断模块，用于判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟类检测模型。

在一实施例中，如图8所示，所述跟踪单元304包括区域设定子单元3041、中心点计算子单元3042、中心点跟踪子单元3043以及保存子单元3044。

区域设定子单元3041，用于设定监控区域的感兴趣区域；中心点计算子单元3042，用于根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点；中心点跟踪子单元3043，用于采用目标跟踪算法跟踪所述中心点，以得到轨迹点；保存子单元3044，用于保存所述轨迹点，以形成鸟类飞行轨迹。

在一实施例中，如图9所示，所述分析单元305包括第一判断子单元3051、第二判断子单元3052、第三判断子单元3053以及第四判断子单元3054。

第一判断子单元3051，用于判断所述鸟类是否是单只鸟；第二判断子单元3052，用于若所述鸟类是单只鸟，则判断所述鸟类飞行轨迹最后一个轨迹点是否离开监控区域的感兴趣区域；若所述鸟类飞行轨迹最后一个轨迹点离开监控区域的感兴趣区域，则所述分析结果是没有鸟类逗留的结果；第三判断子单元3053，用于若所述鸟类不是单只鸟，则根据所述鸟类飞行轨迹计算进入监控区域的感兴趣区域的鸟数量以及离开监控区域的感兴趣区域的鸟数量；第四判断子单元3054，用于判断进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量是否相等；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量相等，则执行所述分析结果是没有鸟类逗留的结果；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量不相等，则所述分析结果是有鸟类逗留的结果。

上述的发送单元306，用于当所述分析结果是没有鸟类逗留的结果时，发送驱动设备关闭的通知至驱鸟设备，以使驱鸟设备不进行驱鸟操作；当所述分析结果是有鸟类逗留的结果时，发送驱动设备开启通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述驱鸟装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述驱鸟装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种驱鸟方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种驱鸟方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10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500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取实时图像，以得到待检测图像；将待检测图像输入鸟类检测模型内进行检测，以得到检测结果；判断所述检测结果是否是有鸟类存在的结果；若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹；分析所述鸟类飞行轨迹，以得到分析结果；根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作。

其中，所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的。

在一实施例中，处理器502在实现所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的步骤时，具体实现如下步骤：

获取鸟类图像；对鸟类图像进行鸟类标签的标注，以得到样本数据集；采用样本数据集训练深度学习神经网络，以得到鸟类检测模型。

在一实施例中，处理器502在实现所述采用样本数据集训练深度学习神经网络，以得到鸟类检测模型步骤时，具体实现如下步骤：

将样本数据集划分为训练集以及测试集；设置yolov4算法训练的参数；使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；采用测试集对初始模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟类检测模型。

在一实施例中，处理器502在实现所述采用目标跟踪算法获取鸟类飞行轨迹步骤时，具体实现如下步骤：

设定监控区域的感兴趣区域；根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点；采用目标跟踪算法跟踪所述中心点，以得到轨迹点；保存所述轨迹点，以形成鸟类飞行轨迹。

在一实施例中，处理器502在实现所述分析所述鸟类飞行轨迹，以得到分析结果步骤时，具体实现如下步骤：

判断所述鸟类是否是单只鸟；若所述鸟类是单只鸟，则判断所述鸟类飞行轨迹最后一个轨迹点是否离开监控区域的感兴趣区域；若所述鸟类飞行轨迹最后一个轨迹点离开监控区域的感兴趣区域，则所述分析结果是没有鸟类逗留的结果；若所述鸟类不是单只鸟，则根据所述鸟类飞行轨迹计算进入监控区域的感兴趣区域的鸟数量以及离开监控区域的感兴趣区域的鸟数量；判断进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量是否相等；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量相等，则执行所述分析结果是没有鸟类逗留的结果；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量不相等，则所述分析结果是有鸟类逗留的结果。

在一实施例中，处理器502在实现所述根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作步骤时，具体实现如下步骤：

当所述分析结果是没有鸟类逗留的结果时，发送驱动设备关闭的通知至驱鸟设备，以使驱鸟设备不进行驱鸟操作；当所述分析结果是有鸟类逗留的结果时，发送驱动设备开启通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取实时图像，以得到待检测图像；将待检测图像输入鸟类检测模型内进行检测，以得到检测结果；判断所述检测结果是否是有鸟类存在的结果；若所述检测结果是有鸟类存在的结果，则采用目标跟踪算法获取鸟类飞行轨迹；分析所述鸟类飞行轨迹，以得到分析结果；根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作。

其中，所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的。

在一实施例中，所述处理器在执行所述计算机程序而实现所述鸟类检测模型是通过若干个鸟类标签的图像数据作为样本数据训练深度学习神经网络所得的步骤时，具体实现如下步骤：

获取鸟类图像；对鸟类图像进行鸟类标签的标注，以得到样本数据集；采用样本数据集训练深度学习神经网络，以得到鸟类检测模型。

在一实施例中，所述处理器在执行所述计算机程序而实现所述采用样本数据集训练深度学习神经网络，以得到鸟类检测模型步骤时，具体实现如下步骤：

将样本数据集划分为训练集以及测试集；设置yolov4算法训练的参数；使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；采用测试集对初始模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟类检测模型。

在一实施例中，所述处理器在执行所述计算机程序而实现所述采用目标跟踪算法获取鸟类飞行轨迹步骤时，具体实现如下步骤：

设定监控区域的感兴趣区域；根据所述检测结果计算鸟所在矩形框内的中心点，以得到中心点；采用目标跟踪算法跟踪所述中心点，以得到轨迹点；保存所述轨迹点，以形成鸟类飞行轨迹。

在一实施例中，所述处理器在执行所述计算机程序而实现所述分析所述鸟类飞行轨迹，以得到分析结果步骤时，具体实现如下步骤：

判断所述鸟类是否是单只鸟；若所述鸟类是单只鸟，则判断所述鸟类飞行轨迹最后一个轨迹点是否离开监控区域的感兴趣区域；若所述鸟类飞行轨迹最后一个轨迹点离开监控区域的感兴趣区域，则所述分析结果是没有鸟类逗留的结果；若所述鸟类不是单只鸟，则根据所述鸟类飞行轨迹计算进入监控区域的感兴趣区域的鸟数量以及离开监控区域的感兴趣区域的鸟数量；判断进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量是否相等；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量相等，则执行所述分析结果是没有鸟类逗留的结果；若进入监控区域的感兴趣区域的鸟数量与离开监控区域的感兴趣区域的鸟数量不相等，则所述分析结果是有鸟类逗留的结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行对应的驱鸟操作步骤时，具体实现如下步骤：

当所述分析结果是没有鸟类逗留的结果时，发送驱动设备关闭的通知至驱鸟设备，以使驱鸟设备不进行驱鸟操作；当所述分析结果是有鸟类逗留的结果时，发送驱动设备开启通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。