本發明涉及人工智能，具體涉及一種用于監測鼠患的方法及計算設備。

背景技術：

1、在餐飲行業中，鼠患問題一直是困擾許多餐飲單位的難題。鼠類的活動不僅會對食品造成污染，還可能引發疾病傳播，嚴重威脅消費者的飲食安全和健康。

2、近年來，隨著技術的發展，大多數方法都采用深度學習技術，利用卷積神經網絡(cnn)的目標檢測算法解決這一類問題，例如常見的實時目標檢測算法(yolo)系列的目標檢測算法應用較多，雖然識別準確率相比之前傳統的圖像識別方法有一定的提升，但是相對于復雜的廚房場景而言，識別精度還遠遠達不到實際應用場景的精度標準，誤檢率較高。

3、為此，需要一種技術方案，能夠實現高精度目標識別，減少目標識別的誤差，降低誤檢率，降低環境因素的干擾，提升目標檢測效率。

技術實現思路

1、本發明旨在提供用于監測鼠患的方法及計算設備，能夠實現高精度目標識別，減少目標識別的誤差，降低誤檢率，降低環境因素的干擾，提升目標檢測效率。

2、根據本發明的一方面，提供一種用于監測鼠患的方法，所述方法包括：

3、獲取紅外視頻幀圖像；

4、將所述視頻幀圖像傳入第一神經網絡模型和第二神經網絡模型中分別進行目標識別；

5、判斷所述第一神經網絡模型識別的第一目標和所述第二神經網絡模型識別的第二目標是否為同一目標；

6、若所述第一目標和所述第二目標為同一目標，則確定所述同一目標為老鼠目標，得到第一識別結果；

7、若所述第一目標和所述第二目標不同，則將所述第一目標和第二目標分別傳入分類器中進行二次識別，得到第二識別結果；

8、根據所述第一識別結果和所述第二識別結果，判斷是否預警。

9、根據一些實施例，所述第一神經網絡模型為基于神經網絡目標檢測算法的檢測器，所述第二神經網絡模型為基于神經網絡圖像語義分割算法的分割器。

10、根據一些實施例，所述檢測器基于改進的yolov7結構，其中在yolov7的主干網絡后附加有感受野模塊，且原silu激活層被替換為relu激活層從而加速訓練，所述感受野模塊通過在不同尺度上使用不同大小的卷積核來擴大感受野。

11、根據一些實施例，所述感受野模塊包括多個不同尺度的卷積層、拼接層和relu激活層，其中，將所述視頻幀圖像傳入第一神經網絡模型進行目標識別，包括：

12、經過多個不同尺度的卷積層和膨脹系數調整后的卷積層對輸入的特征圖進行特征提取，得到不同尺度的特征圖從而增強對屬于小目標的老鼠目標的檢測，所述小目標小于30*30像素；

13、對不同尺度的特征圖進行通道拼接并經過1x1卷積層進行特征融合從而在增加的計算量小于閾值的情況下提高對老鼠目標的檢測速度和檢測精度；

14、融合后的特征再與所述輸入的特征圖進行殘差融合后送入激活層。

15、根據一些實施例，將所述視頻幀圖像傳入檢測器和分割器中進行目標識別之后，還包括：

16、所述檢測器將檢測器分數小于第一預定閾值的目標框過濾；

17、所述檢測器將所述目標框的寬和/或高小于第二預定閾值的目標框過濾；

18、所述檢測器將所述目標框的寬和/或高大于第三預定閾值的目標框過濾。

19、根據一些實施例，將所述視頻幀圖像傳入檢測器和分割器中進行目標識別之后，還包括：

20、所述分割器得到一個或者多個老鼠目標輪廓點集合；

21、計算每個老鼠目標輪廓所包圍的目標輪廓面積；

22、將每個計算得到的所述目標輪廓面積與最小面積閾值和最大面積閾值進行比較，保留大于最小面積閾值且小于最大面積閾值的目標輪廓集合；

23、通過求輪廓點集合外接矩形，得到保留下來的所述目標輪廓集合的目標框數據。

24、根據一些實施例，判斷所述檢測器識別的第一目標和所述分割器識別的第二目標是否相同，包括：

25、計算所述第一目標的目標框和所述第二目標的目標框求取重疊交并比；

26、當所述重疊交并比的值大于預設重疊交并比閾值，表示所述檢測器和所述分割器檢測到同一目標；

27、當所述重疊交并比的值小于預設重疊交并比閾值，需要進行二次識別。

28、根據一些實施例，若所述第一目標和所述第二目標不同，則將所述第一目標和所述第二目標傳入分類器中進行二次識別，得到最終識別結果，包括：

29、通過所述第一目標的目標框數據和所述第二目標的目標框信息，獲取二次識別目標圖像；

30、所述二次識別目標圖像送入所述分類器中輸出對應的非老鼠目標類別分數和老鼠目標類別分數；

31、當所述老鼠目標類別分數大于預設類別分數閾值，則當前二次識別目標圖像中有老鼠目標。

32、根據本發明的另一方面，提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上任一項所述的方法。

33、根據本發明的另一方面，提供一種計算設備，包括：

34、處理器；以及

35、存儲器，存儲有計算機程序，當所述計算機程序被所述處理器執行時，實現如上任一項所述的方法。

36、根據本發明的實施例，通過獲取視頻幀圖像，將視頻幀圖像傳入檢測器和分割器中進行目標識別，判斷檢測器識別的第一目標和分割器識別的第二目標是否相同，若第一目標和第二目標不同，則傳入分類器中進行二次識別，得到最終識別結果，并判斷是否預警。本發明結合目標檢測和語義分割，通過檢測器和分割器進行一次識別，通過分類器進行二次識別，綜合兩次識別結果完成目標識別，能夠實現高精度目標識別，減少目標識別的誤差，降低誤檢率，降低環境因素的干擾，提升目標檢測效率。

37、根據一些實施例，通過檢測器和分割器分別進行目標識別，再通過分類器進行二次驗證，可以顯著提高識別的準確性。檢測器和分割器從不同的角度和層次提取特征，有助于減少誤檢和漏檢。檢測器主要關注目標的位置和類別，而分割器則關注目標的精細輪廓和邊界。兩者結合可以提供更全面的信息，提高識別的可靠性。

38、根據一些實施例，通過多階段的識別過程，可以有效應對復雜背景、遮擋、光照變化等環境因素的影響。即使某一階段出現誤檢，后續階段可以進行糾正。通過二次識別，可以減少因單一模型誤判而導致的誤報，提高系統的魯棒性。

39、根據一些實施例，檢測器和分割器可以并行處理，加快識別速度，滿足實時性的需求。通過多階段處理，可以在早期階段快速過濾掉大部分非目標對象，減少后續階段的計算負擔，提高整體效率。

40、根據一些實施例，通過綜合檢測器、分割器和分類器的結果，可以進行多維度的決策，提高預警的準確性。根據實際情況動態調整閾值和參數，適應不同的應用場景和環境變化。這種多階段識別方法適用于多種場景，如野生動物監測、寵物監控、安全防范等，具有較高的通用性和適應性。

41、根據一些實施例，整個系統由多個模塊組成，可以根據具體需求選擇不同的檢測器、分割器和分類器，靈活性高。各模塊相對獨立，可以單獨優化和升級，不影響其他部分的運行，便于系統維護和功能擴展。

42、應當理解的是，以上的一般描述和后文的細節描述僅是示例性的，并不能限制本發明。