[发明专利]一种基于深度学习的物联网智能驱鸟系统

权利要求书

1.一种基于深度学习的物联网智能驱鸟系统，其特征在于：针对输电线路鸟害，研制的一种基于深度学习的物联网智能驱鸟系统，包括STM32F微控制器、探测模块、光照检测模块、驱鸟模块、供电模块、物联网远程监控和巡检模块、通信模块、探测与驱鸟范围扩大模块，所述探测模块包括多普勒雷达、摄像头，包含以下步骤：

S1：多普勒雷达和高清摄像头相结合对入侵物体预检测和拍照，通过OpenCV计算机视觉库对背景图像和正样本图像进行高斯滤波和二值化处理，将背景滤除，提取入侵物体位置和轮廓特征，进行图形分割处理；

S2：将处理后的图片导入设计的卷积神经网络模型进行深度学习，判断入侵物体是否为鸟类；

S3：若入侵物体为鸟类，将智能驱鸟系统从休眠模式唤醒，开启驱鸟模式，利用光照检测模块检测当前光照为白天时，采用音波驱鸟和绿光爆闪驱鸟；夜晚时采用超声波驱鸟和绿光爆闪驱鸟，利用STM32F微控制器更改绿光爆闪和超声波频率，实现驱鸟；

S4：STM32F定时器定时30分钟，启动温度、湿度传感器，采集温湿度数据，并检测蓄电池的电量和鸟儿入侵频率数据，检测BC95模块是否工作就绪并激活场景，注册登录到物联网阿里云服务器，将采集的数据上传至物联网阿里云服务器，终端用户通过在PC机或手机APP上实时查看驱鸟信息和电池电量。

2.根据权利要求1所述的一种基于深度学习的物联网智能驱鸟系统，其特征在于：所述摄像头选用OV7725模块，所述多普勒雷达与OV7725摄像头相结合，多普勒雷达检测到移动物体时，将检测信息传输给STM32F微控制器，启动OV7725摄像头拍摄图片，基于深度学习分类算法判断入侵物体是否鸟类，若入侵物体为鸟类，开启驱鸟模式。

3.根据权利要求2所述的一种基于深度学习的物联网智能驱鸟系统，其特征在于：深度学习的目标分类算法通过一个卷积神经网络模型识别入侵物体是否为鸟类，该模型使用2个卷积层、2个池化层、2个全连接层，共6层卷积神经网络，输出神经元数量为2，通过OpenCV计算机视觉库对背景图像和正样本图像进行高斯滤波和二值化处理，将背景滤除，提取入侵物体位置和轮廓特征，进行图形分割，然后导入网络模型进行训练和测试，第一层卷积层的输出特征图的尺寸公式如下：

(公式1)中：

O——输出图像的尺寸；

I——输入图像的尺寸；

K——卷积核的尺寸；

P——填充数；

S——移动步长。

4.根据权利要求3所述的一种基于深度学习的物联网智能驱鸟系统，其特征在于：卷积神经网络模型第一层卷积层的输出作为第二层池化层的输入，根据第二层池化层的过滤器尺寸和步长得出第二层池化层的输出，根据第三层卷积层中有卷积核个数、卷积核尺寸及步长，得出输出特征图像尺寸，经过最后一层池化层得到的输出与全连接层连接将张量数据平铺展开为向量数据，再经过一个全连接层并运用softmax激活函数得出最后分类结果。

5.根据权利要求4所述的一种基于深度学习的物联网智能驱鸟系统，其特征在于：为加快卷积神经网络模型的收敛速度，将损失函数降到最低，采用Adam优化算法，该算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，其计算过程为，首先通过目标函数当前的梯度计算出梯度的一阶矩和二阶矩；然后对一阶矩与二阶矩进行矫正；最后根据求得的偏置矫正、期望、学习率来更新参数，其计算公式为：

(公式2)中：

g_t——当前参数的梯度；

β₁/β₂——一阶/二阶矩衰减系数，即梯度g_t/g_t²的期望；

m_t/v_t——梯度g_t的一阶/二阶矩；

——m_t/v_t的偏置矫正；

ω_t——要求解(更新)的参数；

α——学习率；

ε＝10^-8；

t——更新的步数。