(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210606275.4 (22)申请日 2022.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 114847196 A (43)申请公布日 2022.08.05 (73)专利权人 中国农业科 学院农业信息 研究所 地址 100081 北京市海淀区中关村南大街 12号 (72)发明人 刘升平　张杰　郭秀明　孙开梦　 诸叶平　李世娟　岳慧丽　吕纯阳　 (74)专利代理 机构 北京中政联科专利代理事务 所(普通合伙) 11489 专利代理师 刘艳 (51)Int.Cl. A01K 47/06(2006.01) G01D 21/02(2006.01) H04N 5/225(2006.01) H04N 7/18(2006.01) G06V 10/147(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112544503 A,2021.0 3.26 CN 211506555 U,2020.09.15 CN 110290181 A,2019.09.27 CN 10946 3314 A,2019.0 3.15 CN 206933011 U,2018.01.3 0 CN 109120 610 A,2019.01.01 CN 103575764 A,2014.02.12 US 2017079 249 A1,2017.0 3.23 吕纯阳 等.基 于SSD模型的巢门蜜蜂检测. 《中国农业科技 导报》 .2021,第98-107页. 王诗吟.基 于深度学习的蜜蜂出入行为检测 模型. 《中国优秀硕士学位 论文全文数据库农业 科技辑》 .2022,D051-12. (续) 审查员 刘康 (54)发明名称 智能蜂箱及基于深度学习的蜜蜂识别跟踪 计数系统 (57)摘要 本发明涉及蜜蜂养殖领域。 具体包括： 蜂箱， 其下部设置有出入通道； 摄像头， 其设置在蜂箱 上， 且监控 方向朝向出入通道； 称重仪， 其 设置在 蜂箱底部； 温湿度传感器， 其设置在蜂箱内部； 终 端， 其设置在蜂箱外部， 且与摄像头、 称重仪和温 湿度传感器分别通讯连接， 用于收集采集的数据 并传输至微服务器。 本发明能自动采集蜜蜂养殖 中的时空多维度、 多角度及多结构的全周期数 据， 并对数据进行智能分析和处理， 提供蜜蜂活 动规律、 环 境数据统计分析结果显示和超阈值数 据报警， 形成蜂蜜产生全过程的数据分析、 管理 和决策。 本发 明特色在于基于深度学习的蜜蜂识别跟踪计数系统， 其特征包括： 蜜蜂图像数据集 构建、 蜜蜂检测与识别模型构建和蜜蜂识别模型 构建。 [转续页] 权利要求书2页 说明书7页 附图7页 CN 114847196 B 2022.11.01 CN 114847196 B (56)对比文件 Katarzyna Bozek 等.Markerles s tracking of an entire ho ney bee colony. 《NATURE COMMUNICATIONS》 .2021,第1-13页.2/2 页 2[接上页] CN 114847196 B1.基于深度 学习的蜜蜂识别跟踪计数系统， 应用于智能蜂箱， 所述智能蜂箱包括蜂箱、 摄像头(1)、 称 重仪(2)、 温湿度传感器(3)和终端(4)， 蜂箱下部设置有出入通道(601)； 摄像 头(1)设置在蜂箱上， 且监控方向朝向出入通道(601)， 用于拍照或录像； 称重仪(2)设置在 蜂箱底部； 温湿度传感器(3)设置在蜂箱内部； 终端(4)设置在蜂箱外部， 且与摄像头(1)、 称 重仪(2)和温湿度传感器(3)分别通讯连接， 用于收集摄像头(1)、 称重仪(2)和温湿度传感 器(3)所采集的数据并传输至微服务器， 其特征在于， 所述基于深度学习的蜜蜂识别跟踪计 数系统包括： 蜜蜂图像数据集构建： 构建蜜蜂图像数据集合， 用于蜜蜂检测和 识别的模型训练， 包括 利用智能蜂箱的终端(4)通过摄像头(1)采集的蜜蜂图像数据集， 及通过手工进 行的蜜蜂标 注； 蜜蜂检测与识别模型训练： 将训练数据输入蜜蜂检测识别模型， 通过模型的自学习功 能不断调整权重参数， 直到模型损失降低到预定要求且趋于稳定， 获得用于蜜蜂检测与识 别的蜜蜂检测与识别网络模型； 蜜蜂识别模型： 搭建蜜蜂检测和识别的深度 卷积神经网络， 由于蜜蜂尺度偏小， 采用高 层语义特征和 低层的低级 特征二次融合的方法充分提取蜜蜂的特征， 同时室外环境复杂多 变， 干扰因素较多， 使用注意力机制提高蜜蜂特征的提取效率， 在目标分类和定位中， 采用 回归分析的方法自回归识别出蜜蜂和其 位置； 系统的损 失函数包括两部分， 一方面用于识别蜜蜂的定位损 失， 以准确的找到蜜蜂的 位置， 另一方面用于对蜜蜂进行分类的类别损失， 以正确的对蜜蜂识别； Lconf表示置信度 损耗， Lloc表示蜜蜂预测的定位损耗， 由于 两者尺度有差异， 采用调整系数α 进行调整； L＝Lconf+α Lloc(Ⅰ) 系统的最终输出结果为一个二维向量[n， m]， 其中n表示搜索框的数量， m表示每个搜索 框的输出数量， 其值为p+4， p为目标种类的个数， 每个数值分别表示对应类别的预测置信 度， 增加的4个数值cx、 c y、 h和w分别表 示实际目标框和搜索框的位置偏移和大小偏移； 定位 损失采用SL1损失函数， 见公式( Ⅱ)， x为预测值和真实值的差值； 对于每一个预测为正例的预测框， 计算其预测偏移和实际偏移的差值作为该搜索框的 定位损失， 将所有正例的预测损失作为整体定位损失； 定位损失的计算见公式( Ⅲ)； 其中， pos表示预测为正例的搜索框， 表示预测的实际目标和搜索框的偏移信息， 表示实际的目标和搜索框的偏移信息； 置信度损失采用softmax损失函数， 如公式( Ⅳ)所示： 其中， 表示搜索框i对于种类j的置信度， q表示搜索框i待预测的目标框的种类q；权　利　要　求　书 1/2 页 2 CN 114847196 B 3