基于边缘计算的机场飞鸟识别驱赶方法及系统与流程

本技术涉及图像识别领域，并且更具体地，涉及一种基于边缘计算的机场飞鸟识别驱赶方法及系统。

背景技术：

1、随着航空业的发展，机场的安全问题变得越来越重要。飞鸟撞击飞机是机场安全的一个重要威胁，可能导致严重的事故。因此，如何有效地驱赶机场附近的飞鸟，保障飞机的安全起降，成为了一个亟待解决的问题。传统的机场飞鸟驱赶方法主要依赖人工观察和驱赶，例如派遣工作人员在机场附近巡逻，使用喇叭、铜锣等工具发出声响来驱赶飞鸟。然而，这种方法存在着效率低下、覆盖面有限、无法实时监控等问题。近年来，随着边缘计算技术的发展，为机场飞鸟识别驱赶提供了新的解决方案。边缘计算是一种将计算资源靠近数据源的计算模式，它可以在本地处理数据，减少数据传输的延迟和带宽消耗，提高系统的实时性和可靠性。将边缘计算应用于机场飞鸟识别驱赶，可以实现对机场附近飞鸟的实时监控和驱赶，提高机场的安全性和效率。现有技术中，已经有一些基于边缘计算的机场飞鸟识别驱赶方法。例如，利用摄像头和图像识别技术，对机场附近的飞鸟进行识别和分类，并根据不同的飞鸟类型采取相应的驱赶策略。然而，这些方法仍然存在着一些问题，例如识别准确率不高、驱赶效果不佳等。因此，需要进一步研究和开发更加先进的基于边缘计算的机场飞鸟识别驱赶方法，以提高机场的安全性和效率。

技术实现思路

1、有鉴于此，本技术实施例至少提供一种基于边缘计算的机场飞鸟识别驱赶方法及系统。

2、根据本技术实施例的一个方面，提供了一种基于边缘计算的机场飞鸟识别驱赶方法，应用于边缘计算设备，所述边缘计算设备与驱鸟设备通信连接，所述方法包括：

3、通过所述驱鸟设备获取拟检测的目标机场环境图像；

4、通过部署在所述边缘计算设备中的目标飞鸟识别神经网络通过所述目标机场环境图像进行图像内容识别操作，得到目标分类识别集合，所述目标分类识别集合包含所述目标机场环境图像中各个像素对应的对象分类结果；其中，所述目标分类识别集合由所述目标飞鸟识别神经网络通过所述目标机场环境图像进行链式深度加深的表征向量挖掘，得到不同特征层次得到的多个目标表征向量集合，以及结合所述多个目标表征向量集合的多个图像内容识别结果以获得；其中，所述链式深度加深的表征向量挖掘的方式为将前一深度挖掘的表征向量集合确定为后一深度的输入数据进行表征向量挖掘；

5、通过所述目标分类识别集合中的对象分类结果，确定所述目标机场环境图像中包含的目标对象；

6、当所述目标对象包括飞鸟类别时，控制所述驱鸟设备执行驱鸟操作。

7、根据本技术实施例的一个示例，其中，所述目标飞鸟识别神经网络包括p个依次连接的表征向量挖掘组件和图像内容识别组件；所述通过目标飞鸟识别神经网络通过所述目标机场环境图像进行图像内容识别操作，得到目标分类识别集合，包括：

8、对所述目标机场环境图像进行图像编码映射，得到图像编码映射集合；

9、通过所述p个依次连接的表征向量挖掘组件依据所述图像编码映射集合进行链式递进式的表征向量挖掘；其中，所述p个依次连接的表征向量挖掘组件中前一个表征向量挖掘组件的执行结果作为后一个表征向量挖掘组件的输入，其中，p＞1；

10、在所述p个依次连接的表征向量挖掘组件执行得到的表征向量集合中，获取其中a个目标表征向量挖掘组件执行得到的a个目标表征向量集合，其中，p≥a＞1；

11、通过图像内容识别组件通过所述a个目标表征向量集合中每一目标表征向量集合进行图像内容识别，获得每一目标表征向量集合对应的图像内容识别结果；

12、获取各个所述图像内容识别结果的整合偏心系数；

13、依据所述整合偏心系数对多个所述图像内容识别结果进行整合操作，得到偏心整合结果；

14、通过所述偏心整合结果确定所述目标机场环境图像对应的目标分类识别集合。

15、根据本技术实施例的一个示例，其中，所述偏心整合结果包含所述目标机场环境图像中每一图像像素属于各对象分类结果的目标支持系数，所述通过所述偏心整合结果确定所述目标机场环境图像对应的目标分类识别集合，包括：

16、通过所述偏心整合结果中每一图像像素属于各对象分类结果的目标支持系数，确定所述目标机场环境图像中每一图像像素对应的最大的所述目标支持系数时的目标对象分类结果；

17、通过每一图像像素的目标对象分类结果，生成所述目标机场环境图像对应的目标分类识别集合。

18、根据本技术实施例的一个示例，其中，所述图像内容识别组件包含先验支持系数分类模块和上下文约束分类模块，所述通过图像内容识别组件通过所述a个目标表征向量集合中每一目标表征向量集合进行图像内容识别，获得每一目标表征向量集合对应的图像内容识别结果，包括：

19、对于每一目标表征向量集合，通过所述先验支持系数分类模块对所述目标表征向量集合中的每一语义表征向量进行分类，得到每一所述目标表征向量集合对应的支持系数分布数组；

20、通过所述上下文约束分类模块，依据每一所述支持系数分布数组中每一语义表征向量属于各对象分类结果的支持系数，得到每一所述目标表征向量集合对应的图像内容识别结果。

21、根据本技术实施例的一个示例，其中，所述通过所述上下文约束分类模块，依据每一所述支持系数分布数组中每一语义表征向量属于各对象分类结果的支持系数，得到每一所述目标表征向量集合对应的图像内容识别结果，包括：

22、对于每一目标表征向量集合，通过所述上下文约束分类模块依据所述目标机场环境图像中的像素空间分布关系，对所述目标表征向量集合中的每一语义表征向量选取一个对象分类结果进行组合，得到多个候选先验标记支线；

23、通过所述支持系数分布数组中每一语义表征向量属于各对象分类结果的支持系数，确定每一候选先验标记支线的支线评估权重；

24、从所述多个候选先验标记支线中选取所述支线评估权重最大的目标先验标记支线，得到每一目标表征向量集合对应的图像内容识别结果。

25、根据本技术实施例的一个示例，其中，所述通过所述支持系数分布数组中每一语义表征向量属于各对象分类结果的支持系数，确定每一候选先验标记支线的支线评估权重，包括：

26、确定当前候选先验标记支线中指示的每一对象分类结果相对应的像素；

27、查询所述每一对象分类结果相对应的像素在相应的支持系数分布数组中的支持系数，并以所述支持系数作为相应像素所属的对象分类结果的分类权重，以获得所述当前候选先验标记支线中指示的每一对象分类结果的分类权重；

28、将所述当前候选先验标记支线中指示的每一对象分类结果的分类权重进行求和，得到当前候选先验标记支线的对象分类结果的状态权重；

29、获取状态迁移权重，所述状态迁移权重由所述候选先验标记支线中任意相邻的两个对象分类结果的分类权重之间的状态迁移系数求和获得，其中，对于每一候选先验标记支线，确定任两个相邻的对象分类结果的组合中通过一对象分类结果迁移到另一对象分类结果的状态迁移系数，所述状态迁移系数为由任一对象分类结果迁移到任一对象分类结果的迁移价值，每一所述状态迁移系数通过概率图模型在调试过程中获得的限制和状态迁移权重数组确定得到，将每一所述状态迁移系数进行求和，得到所述候选先验标记支线的状态迁移权重；

30、将所述状态权重和所述状态迁移权重进行求和，以及对求和结果进行对数求解，得到对应候选先验标记支线的支线评估权重。

31、根据本技术实施例的一个示例，其中，所述对象分类结果的类型包括非对象分类结果、对象开始像素分类结果、对象中间像素分类结果以及对象边界像素分类结果，所述通过所述目标分类识别集合中的对象分类结果，确定所述目标机场环境图像中包含的目标对象，包括：

32、通过所述目标分类识别集合中的对象分类结果，确定所述目标分类识别集合中的目标子分类识别集合；其中，所述目标子分类识别集合包括通过所述对象开始像素分类结果和所述对象边界像素分类结果依次排布构成的集合，通过所述对象开始像素分类结果、所述对象中间像素分类结果和所述对象边界像素分类结果依次排布构成的集合，以及在所述目标分类识别集合中周围都是所述非对象分类结果的单个所述对象开始像素分类结果；

33、通过所述目标子分类识别集合中的对象分类结果在所述目标机场环境图像中对应的像素，确定在所述目标机场环境图像中所述目标子分类识别集合对应的目标对象。

34、根据本技术实施例的一个示例，其中，所述通过目标飞鸟识别神经网络通过所述目标机场环境图像进行图像内容识别操作，得到目标分类识别集合之前，所述方法还包括所述目标飞鸟识别神经网络的调试步骤：

35、获取目标机场环境图像样例以及分类识别集合样例，所述分类识别集合样例包含所述目标机场环境图像样例中每一样例像素对应的样例对象分类结果；

36、将所述目标机场环境图像样例输入初始化神经网络进行链式深度加深的表征向量挖掘，得到多个目标特征层次执行得到的多个推理表征向量集合，以及确定每一推理表征向量集合的推理图像内容识别结果，每一所述推理图像内容识别结果包括所述目标机场环境图像样例中每一样例像素属于各对象分类结果的推理支持系数；

37、通过每一所述推理图像内容识别结果中每一样例像素属于各对象分类结果的推理支持系数、所述分类识别集合样例中每一样例像素对应的样例对象分类结果，确定每一目标特征层次的误差值；

38、通过各目标特征层次对应的整合偏心系数和各目标特征层次的误差值，确定目标误差值；

39、通过所述目标误差值优化所述初始化神经网络的内部配置变量，重复调试过程直到符合设定的调试截止要求，得到调试完成的目标飞鸟识别神经网络。

40、根据本技术实施例的一个示例，其中，所述通过每一所述推理图像内容识别结果中每一样例像素属于各对象分类结果的推理支持系数、所述分类识别集合样例中每一样例像素对应的样例对象分类结果，确定每一目标特征层次的误差值，包括：

41、通过每一所述推理图像内容识别结果中每一样例像素属于各对象分类结果的推理支持系数、所述分类识别集合样例中每一样例像素对应的样例对象分类结果，确定每一目标特征层次的推理分类结果中每一样例像素的像素误差值；

42、对所述目标机场环境图像样例中多个样例像素的像素误差值进行加权，得到每一目标特征层次的误差值；

43、所述目标特征层次对应的整合偏心系数与所述目标特征层次的层数之间的变化趋势相反。

44、根据本技术实施例的另一方面，提供了一种机场飞鸟识别驱赶系统，包括边缘计算设备和与所述边缘计算设备通信连接的驱鸟设备，所述边缘计算设备包括：处理器；以及存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述处理器运行时，使得所述处理器执行如上所述的方法。

45、本技术至少具有的有益效果包括：

46、本技术实施例提供的基于边缘计算的机场飞鸟识别驱赶方法及系统，通过获取需要识别对象类别的目标机场环境图像，接着通过调试完成的目标飞鸟识别神经网络对目标机场环境图像进行图像内容识别，其中，目标飞鸟识别神经网络通过目标机场环境图像进行链式深度加深的表征向量挖掘，获得多个目标特征层次执行得到的多个目标表征向量集合，以确定不同特征层次挖掘的目标表征向量集合来进行图像内容识别，以及结合不同特征层次对应的图像内容识别结果来确定目标分类识别集合，最后通过目标分类识别集合包含目标机场环境图像中各个像素对应的对象分类结果，识别得到目标机场环境图像中的目标对象，在目标对象包括飞鸟类别时，控制驱鸟设备执行驱鸟操作。以上过程采用挖掘不同特征层次得到的表征向量进行对象分类，能够整合通过深层挖掘的表征语义的表征向量进行对象分类获得的图像内容识别结果和通过在浅层挖掘的表征纹理、颜色、形状等浅层的表征向量进行对象分类获得的图像内容识别结果确定目标机场环境图像中的目标对象，对象识别的精度和可靠性高。

47、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。