基于U-Net网络的鸟群图像分割研究

当前在通用航空活动中对于鸟群活动情况的了解还是依靠飞行员对环境的观察,并且国内外驱鸟方式并不适合大范围推广使用,着眼于以上问题,利用基于深度学习的图像分割方法来解决该问题,将U-Net图像分割策略引入航空图像分析中,通过深度卷积神经网络对鸟群活动图像进行处理;针对图像背景复杂、目标分布不均匀且大小不定等特点,提出优化U-Net网络,以更好地保存和利用图像信息。实验证明该优化网络图像分割效果优于现有方法。

全国鸟类多样性观测网络(China BON-Birds)建设进展

鸟类分布于多种生境,对环境变化敏感,是开展生物多样性观测的重要指示生物类群。为实施《中国生物多样性保护战略与行动计划(2011—2030年)》和履行《生物多样性公约》,自2011年起,以环境保护部南京环境科学研究所为牵头单位,联合全国相关科研院所、高等院校、保护机构,开始探索建立全国鸟类观测网络。经过6 a多的努力,目前已建立涉及全国31个省(自治区、直辖市)的338个鸟类观测样区,包括样线1 822条、样点1 343个,其中繁殖期鸟类样点253个、越冬鸟类样点1 090个,基本建成了全国鸟类多样性观测网络。截至2016年,该观测网络共记录到鸟类22目86科943种,占中国现有记录鸟类种数的68.8%。通过观测,初步掌握了全国鸟类多样性的空间分布特征;发现部分滨海越冬水鸟栖息地因围垦开发而遭受破坏,面临着严峻威胁;一些珍稀濒危物种或拥有高种群数量(≥某物种种群数量的1%)的栖息地没有被纳入到保护范围,存在保护空缺。建议加强鸟类繁殖地、停歇地和越冬地的系统性保护。

江苏大丰沿海地区林鸟的食果网络研究

鸟类对植物果实的取食影响着植物种群更新,对维系生物多样性至关重要。于2022年11月至翌年2月在江苏大丰沿海地区林地生境收集鸟类多样性数据,研究林鸟对植物种子的取食,用以构建鸟类食果网络并分析网络结构与鸟类特征和植物特征的关联性。结果表明,大丰沿海地区秋冬季林鸟共记录7目22科44种;食果网络由15种食果鸟类和7种结果植物组成,连接度和专业性较低;鸟类数量与物种度、物种强度和连接多样性呈显著相关,但鸟类形态特征并不影响网络结构;植株数量和结实量与物种度呈显著相关,植株数量与连接多样性呈显著相关,而株高与专性指数呈显著负相关。研究表明,大丰沿海地区秋冬季鸟类食果网络结构较为简单,鸟类种群大小和植物特征是影响网络结构的关键因素。

基于BS-1DCNN的海缆振动信号识别

光纤振动信号是非线性的,传统的非线性振动信号识别方法通常需要信号分析和特征选择,既耗时又复杂。本文提出一种光纤振动信号识别新方法,可以直接提取特征,对原始信号进行分类,简化识别过程。本方法用支持向量机代替Softmax分类器,优化一维卷积神经网络(one-dimensional convolution neural network,1DCNN),以提高1DCNN结果在小样本条件下的稳定性。采用鸟群算法(bird swarm algorithm,BSA)对支持向量机(support vector machine,SVM)参数进行了优化,有效地提高识别精度。将本文提出的BS-1DCNN方法与1DCNN、VMD-GA-SVM、VMD-PSO-SVM、VMD-BSA-SVM共4种方法进行比较,结果表明,BS-1DCNN在识别准确率和测试时间方面性能表现良好。该算法能有效提高海缆振动信号识别率,且在不同样本比例下均能达到较好的识别效果。

基于YOLO的输电线路鸟巢检测网络结构改进研究

为提高电力系统的安全运行水平,针对输电线路上的鸟巢识别问题,提出基于YOLO的输电线路鸟巢检测网络。首先通过构建GhostNet模块搭建骨干网络,并优化了特征层提取方式;随后通过改进特征金字塔连接层,并结合PANet结构构建了瓶颈网络的特征金字塔,最终搭建了YOLO-NEST网络。构建并扩充数据集进行训练,将提出的网络与其他目标检测算法进行对比,结果表明所提网络在进行输电线路的鸟巢检测时效率更高。

针对小型鸟类目标的基于门控循环单元的扩展卡尔曼跟踪方法

基于激光雷达的小型鸟类的跟踪监视是一种新的实现机场及其周边空域鸟情监测预警的关键技术。针对激光雷达采样频率低引起的目标状态跟踪误差大、模型适应性低的问题,本文提出了一种基于门控循环单元的目标状态估计扩展卡尔曼跟踪方法。该方法通过融合深度学习网络对非线性运动的预测能力和扩展卡尔曼滤波对于随机噪声的抑制能力,实现了对于无法准确建模的非线性运动鸟类目标在低采样率条件下的跟踪。针对深度学习网络为隐性表达模型难以与扩展卡尔曼融合的问题,提出近似一步转移矩阵估计方法,将深度学习网络的预测转化为显性状态转移模型,使得跟踪方法中预测与滤波估计形成循环迭代。本文在公开的鸽子飞行轨迹数据集上进行仿真验证表明,所提方法在不同采样频率条件下的跟踪效果均优于传统跟踪算法,且在低采样频率下相对于已有方法具有超过25.5%跟踪误差性能提升,所提方法能够实现基于激光雷达的鸟类目标跟踪。

基于深度学习的图像中无人机与飞鸟检测研究综述

随着民用无人机产业的发展,无人机已经成为一项影响公共安全的重要问题。目前针对低空无人机的监视手段主要是采用雷达探测结合图像识别的方法,然而在图像检测识别中易受到与无人机同属“低、慢、小”目标的飞鸟的干扰。为了能够在基于可见光图像的无人机检测中排除飞鸟目标的干扰,利用深度神经网络对可见光图像中无人机与飞鸟进行精确的检测与分类,有效地排除飞鸟对无人机检测的干扰。系统阐释了目标检测技术的发展历程,讨论了各类基于深度学习网络目标检测算法的差异,对比了各类算法的优缺点。对可用于无人机与飞鸟检测的图像数据集进行了梳理与介绍,对相关研究的已有成果进行分析;再从实际应用出发,对无人机与飞鸟检测当中可能会存在的问题进行梳理,阐述与分析了能解决相应检测问题的卷积神经网络的相关研究。最后,针对该研究后续可能的发展方向进行展望。

基于桥接Transformer的小样本优化鸟声识别网络

针对实际鸟类监测环境中,收集鸟声声频数据分布不均匀,导致神经网络训练不充分,分类识别测试准确率低的问题,设计了一种桥接Transformer神经网络模型。该网络首先利用原始鸟声声频信号生成短时傅里叶变换语谱图作为输入特征,之后将语谱图输入到由注意力模块和卷积模块桥接组成的Transformer网络中,完成对语谱图中全局特征和局部特征的信息交互,最后利用单层Transformer编码器实现对每一个批次样本的损失优化,得到最终的分类结果。在Birdsdata和xeno-canto鸟声数据集上进行小样本实验,分别获得了91.34%和82.63%的平均准确率,与其他鸟声识别网络进行了对比实验,验证了该网络的有效性。

基于视觉的机场无人驱鸟车路径规划算法

机场飞行区存在的低空飞鸟严重威胁飞行器的起飞和降落安全,现有的驱鸟措施难以高效驱离低空飞鸟,且存在设备资源消耗高、受时空影响大等问题。为此,使用无人驱鸟车替代有人驾驶车辆进行驱鸟工作,并使用搭载固定摄像云台的无人驱鸟车对机场低空中鸟类进行实时检测,获取鸟情数据后,为无人驱鸟车路径规划提供鸟情数据基础。针对鸟类检测的问题,提出一种基于坐标注意力机制改进的YOLOv5网络,对小目标鸟类进行高效的实时检测,使网络更加精准地对鸟类进行定位;针对传统路径规划算法存在路径距离较长、拐点较多等缺陷,提出一种改进的天牛群算法,可有效缩短无人驱鸟车行驶距离,精准躲避机场内静态障碍物和动态障碍物,并快速到达指定驱鸟位置。实验结果表明:所提算法可对机场鸟类进行有效检测,为无人驱鸟车及时提供鸟情数据,利用改进的天牛群算法缩短规划路径的距离,使无人驱鸟车更加精准快速地到达指定驱鸟位置,有效减少人力资源投入,节约无人驱鸟车行进所需能源,提高驱鸟效率。

基于神经网络融合模型的铁路接触网异物智能检测

针对影响铁路接触网正常运行的异物问题,提出了一种基于神经网络融合模型的铁路接触网异物智能检测模型。以Faster R-CNN框架为基础,增加特征金字塔结构以学习图像不同尺度的特征;针对不同异物类型,将其分为鸟巢和轻质漂浮物,并运用ResNet50和ResNet101作为骨架网络,分别针对具有单一特征的鸟巢和特征复杂多变的轻质漂浮物进行识别;融合2个网络的识别框,得到精确的识别结果。对比实验表明,该模型的检测结果优于常规目标检测方法,可有效降低铁路接触网异物检测的人工成本,为铁路接触网的稳定运营提供了可行的解决方案。

基于改进布谷鸟算法的主动配电网优化调度

为了解决主动配电网优化运行问题,给出了一种基于改进布谷鸟(Improved Cuckoo Search,ICS)算法的主动配电网(Active Distribution Network,ADN)优化调度方法。以ADN运行总成本最小为目标函数,综合考虑ADN系统运行约束,建立了ADN优化调度模型。利用动态调整发现概率和反向学习扰动策略对布谷鸟(Cuckoo Search,CS)算法进行改进,得到了搜索性能更强且求解精度更高的ICS算法。采用ICS算法对ADN优化调度模型进行求解,并与CS算法、粒子群(Particle Swarm Optimization,PSO)算法和遗传算法(Genetic Algorithm,GA)的收敛性能进行比较,结果表明,ICS算法的收敛迭代次数、收敛时间及ADN运行总成本分别为32次、7.2秒和100659.24元,均优于CS算法、PSO算法和GA算法等几种对比算法,验证了所提ADN优化调度方法的正确性和实用性。

基于BIRD网络的智能红外全景识别系统

针对当前军用车辆观瞄系统存在全域感知能力差、危险目标识别率低的问题,本文提出并实现了一种基于深度学习的智能红外全景识别系统。首先根据可靠性和低功耗原则设计了该系统的硬件部分;其次,为解决红外图像中行人和车辆识别率低、实时性差的问题,设计了一种BIRD(Brisk InfraRed Detection,BIRD)深度神经网络,实现对行人或车辆进行检测与识别;此外,基于旋转平台多源传感器参数,实现红外相机快速帧间连续拼接;实验结果表明,本系统在实时输出360?红外全景影像的同时,能对当前视场中的目标进行同步检测识别,在保证相同准确率的前提下,所采用的BIRD网络与RCNN网络相比,处理PAL视频的平均耗时减少175 ms,表现出了实时、稳定的工作性能。

智轨电车激光雷达多任务鸟瞰图感知算法研究

智轨电车在城市复杂道路场景下的安全运行离不开车载感知系统的支持,相较激光雷达感知,视觉感知算法存在距离检测精度不够、对环境光照敏感的短板。基于此,文章从智轨电车运行场景和感知方案部署成本出发,提出了一种基于激光雷达的多任务鸟瞰图(bird's-eye-view,BEV)感知算法。该算法采用深度学习的方法,将点云目标检测和语义分割两个任务统一到一个多任务网络中,相较独立部署两个网络的方法,其不仅节省了计算开销,还能提升网络检测分割性能。此外,该多任务网络采用基于BEV的点云编码方式,将从点云提取的特征通过映射转换到BEV空间,再通过特征金字塔进行多尺度的特征融合,最后分别通过检测模块和分割模块获取对应预测结果。测试结果表明,该算法的3D检测平均准确率达到0.925,分割准确率达到0.984,部署后单帧点云检测分割推理时间约为60ms,能够满足智轨电车实时准确感知周围障碍物和环境的要求。

基于林鸟迁移扩散的重庆市高密度城区生态网络构建研究

生态网络构建是应对城市生境破碎化的重要途径,其中,研究尺度范围、目标物种(或类群)特性及相应阻力面的设置是影响其合理性的关键因素。以2种林鸟为焦点物种,重点探讨了山地城市高密度城区生态网络构建方法和典型结构特征,以及保护物种生态网络的伞护作用。研究结果表明:1)基于鸟类迁移能力的中观尺度生态网络构建结果更加真实、可靠,也具有更强的实践指导意义;2)对于林鸟迁移扩散而言,规模较大的源地斑块和生境质量较好的小型源地斑块都很重要,而沿江山体绿地可能是林鸟迁徙的重要踏脚石;3)以保护物种作为焦点物种的生态网络对于常见种具有伞护作用,但从城市生态系统完整性角度考虑,针对常见种构建互补型生态网络也很重要。基于研究结果,提出应结合重要生态源地和生态“夹点”识别结果对山地城市生态网络进行优化完善,包括对滨江绿地、山体崖线、冲沟和次级河流等典型景观空间宽度和连续性进行修复,对关键节点型小规模绿地空间的保护和生境质量提升,以及复合型生态网络构建等方面。

桂林植物园鸟类-果实植物互惠网络研究

采用样线法和焦点动物扫描法收集桂林植物园内鸟类对果实植物的取食行为数据,通过分析两者间的互惠网络关系,探讨鸟类对果实植物的利用规律及网络参数的季节性变化。结果显示:全年共记录到14种(2目7科)鸟类取食13种(8目11科)植物的果实,取食总频次为2174次。每种鸟类平均取食(6.57±1.20)种植物的果实,每种植物平均吸引(7.15±0.88)种鸟类取食其果实;网络的互惠连接度(C=0.51)、嵌套度(ωNODF=0.93)和互惠多样性(H_(2)=3.81)较高,而网络的特化性(H′_(2)=0.10)较低。鸟类取食最多的植物为乌蔹莓Cayratia japonica和香樟Cinnamomum camphora;取食植物种类最多的鸟类为黄臀鹎Pycnonotus xanthorrhous、栗背短脚鹎Hemixos castanonotus和绿翅短脚鹎Ixos mcclellandii,均取食13种植物果实。鸟类在秋季和冬季的取食频次占全年总取食频次的比例最大,分别为38.79%和33.15%。秋季鸟类与果实植物间的嵌套度(ωNODF=0.92)和互惠多样性指数(H_(2)=4.78)最大,冬季的连接度最大(C=0.53),而夏季中互惠网络的特化性(H′_(2)=0.27)最大。研究结果表明,城市绿地中的动植物关系存在季节上的复杂多变,网络分析可为研究栖息地变化中生态系统功能状态的变化提供重要信息。

基于鸟群优化BP神经网络的滑坡处治后变形预测

滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标,开展处治后滑坡变形预测可提前掌握滑坡稳定性情况,有利于滑坡失稳风险分析,便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况,本文提出了一种采用鸟群算法(BSA)优化BP神经网络的滑坡变形预测方法,借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型,对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明,BSA-BP神经网络预测结果的均方误差和相关系数分别为0.0534和0.9976,BP神经网络预测结果的均方误差和相关系数分别为2.2256和0.968,鸟群算法可有效提高BP神经网络模型的预测精度,能有效应用于处治后滑坡变形预测,研究结果可为处治后滑坡失稳风险预测提供参考。

基于Inception-CSA深度学习模型的鸟鸣分类

为进一步提高通过声音识别鸟类的精确度,本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法,包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图,作为鸟鸣声特征图;其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取,其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征,CSA模块获取鸟鸣声特征图的全局注意力权重,将二者的输出结合得到更强的特征图,再次利用最大池化层对特征图进行下采样;最后利用全连接层进行分类,得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集,用于实验部分以验证方法的有效性。结果表明,本研究提出的方法在自建数据集上准确率达到了93.11%,相比于基于其他经典模型的分类方法,基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。

“杀鸟盘”电信网络诈骗犯罪治理研究

“杀鸟盘”,即刷单类电信网络诈骗犯罪,具备作案对象的特定性、作案手段的引诱性、犯罪生态的完整性以及演进变化的复合性等特征。其在实施过程中分化整合,衍生出多种犯罪类型,对人民群众的切身利益造成了巨大威胁。对此,公安机关应当坚持“打防结合,防范为先”的治理思路。在防范方面,要从确立正确思想、建立专业队伍、拓宽业务平台三个维度构建专业化宣传防范体系。在打击方面,要对技术部门、财会部门、运营部门、行政部门进行同步整治,坚定贯彻全链条打击犯罪理念,从而实现对该类犯罪的有效遏制。

基于残差卷积神经网络模型的勺嘴鹬动作识别

为开启海南热带地区鸻鹬类涉禽的动作识别以及其他野生鸟类行为学自动识别的研究,建立了基于野外采集影像的勺嘴鹬(Eurynorhynchus pygmeus)动作图像数据集。该数据集由表达勺嘴鹬主要行为模式的9种动作标签组成;同时利用ResNet50、ResNet101和ResNet152共3种残差卷积神经网络模型尝试对勺嘴鹬的动作进行自动识别。结果表明,ResNet50、ResNet101、ResNet152测试集准确率分别为96.90%、96.94%和96.90%,说明3种模型都能对勺嘴鹬图像进行快速准确的动作识别。

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(Convolutional Neural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。