(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210393964.1 (22)申请日 2022.04.14 (71)申请人 中国科学院微电子 研究所 地址 100029 北京市朝阳区北土城西路3号 (72)发明人 高昊君　陈曙东　杜蓉　张雪婷　 王宪辉　葛瑨　 (74)专利代理 机构 北京华沛德权律师事务所 11302 专利代理师 房德权 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 20/40(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种熊蜂斗殴行为的预测方法和装置 (57)摘要 本发明公开了一种熊蜂斗殴行为的预测方 法和装置， 方法包括： 获取训练样本集， 其中， 训 练样本集为多张标注有 标签类别的熊蜂群照片； 根据斗殴识别模 型识别训练样 本集的训练样本， 获得熊蜂轮廓的极坐标系， 其中， 斗殴识别模型 为金字塔结构中融合有注意力机制的残差卷积 神经网络模 型； 根据极坐标系确定斗殴识别模型 的训练预测结果， 待训练预测结果达到预设目标 时， 确定斗殴识别模型完成训练； 根据完成训练 的斗殴识别模型， 识别存在斗殴行为的熊蜂。 预 测方法使用斗殴识别模型得到的一次分类， 和基 于熊蜂轮廓得到的二次分类来共同预测该位置 熊蜂的斗殴情况， 该预测方式结合了熊蜂图片特 征和熊蜂轮廓特征， 进而提高了对熊蜂斗殴行为 预测的准确率。 权利要求书2页 说明书9页 附图4页 CN 114913543 A 2022.08.16 CN 114913543 A 1.一种熊蜂斗殴行为的预测方法， 其特 征在于， 所述方法包括： 获取训练样本集， 其中， 所述训练样本集 为多张标注有标签 类别的熊蜂群照片； 根据斗殴识别模型识别所述训练样本集的训练样本， 获得熊蜂轮廓的极坐标系， 其中， 所述斗殴识别模型为金字塔结构中 融合有注意力机制的残差卷积神经网络模型； 根据所述极坐标系确定所述斗 殴识别模型的训练预测结果， 待所述训练预测结果达到 预设目标时， 确定所述斗殴识别模型完成训练； 根据完成训练的所述斗殴识别模型， 识别存在斗殴行为的熊蜂。 2.根据权利要求1所述的熊蜂斗殴行为的预测方法， 其特征在于， 所述获取训练样本 集， 包括： 弱光照环境下使用不同型号的夜视摄 像机分时段拍摄熊蜂群， 获得活动视频； 按预设帧数分割所述活动视频， 获得 所述熊蜂群活动 照片； 筛分所述熊蜂群活动 照片， 并对应标注所述标签 类别， 获得 所述训练样本集。 3.根据权利要求2所述的熊蜂斗 殴行为的预测方法， 其特征在于， 所述筛分所述熊蜂群 活动照片， 并对应标注所述标签 类别， 获得 所述训练样本集之后， 还 包括： 根据数量增强算法和质量增强算法处理所述熊蜂群活动照片， 更新所述取训练样本 集。 4.根据权利要求1所述的熊蜂斗 殴行为的预测方法， 其特征在于， 所述根据斗殴识别模 型识别所述训练样本集的训练样本， 获得熊蜂轮廓的极坐标系， 包括： 根据斗殴识别模型处 理所述训练样本， 获得映射于所述熊蜂轮廓的多个回归坐标点； 在所述多个回归坐标点中确定出中心坐标点； 根据所述中心坐标点至所述熊蜂轮廓的预设数量线段， 获得 所述极坐标系。 5.根据权利要求4所述的熊蜂斗 殴行为的预测方法， 其特征在于， 所述根据斗殴识别模 型处理所述训练样本， 获得映射于所述熊蜂轮廓的多个回归坐标点， 包括： 输入所述训练样本 至所述斗殴识别模型进行 卷积计算， 获得 预设层数的特 征图； 映射所述特 征图上的每 个特征点至所述训练样本； 根据所述训练样本标注的所述熊蜂轮廓中所有所述特征点， 确定为所述多个回归坐标 点。 6.根据权利要求4所述的熊蜂斗 殴行为的预测方法， 其特征在于， 所述在所述多个回归 坐标点中确定出中心坐标点， 包括： 根据每个回归坐标点至所述熊蜂轮廓的预设数量的辐射点， 对应获得所述预设数量的 辐射距离， 所述每 个回归坐标点 为所述多个回归坐标点中的任一回归坐标点； 根据所述预设数量的所述辐射距离的乘积， 获得回归坐标点的回归结果； 根据所有所述回归结果中的最大值， 确定对应的所述回归坐标点 为所述中心坐标点。 7.根据权利要求1所述的熊蜂斗 殴行为的预测方法， 其特征在于， 所述根据所述极坐标 系确定所述斗殴识别模型的训练预测结果， 包括： 根据所述极坐标系的回归信 息和所述斗 殴识别模型的二元交叉熵损失函数， 确定所述 训练预测结果。 8.一种熊蜂斗殴行为的预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取训练样本集， 其中， 所述训练样本集为多张标注有标签类别的熊蜂权　利　要　求　书 1/2 页 2 CN 114913543 A 2群照片； 获得模块， 用于根据斗殴识别模型识别所述训练样本集的训练样本， 获得熊蜂轮廓的 极坐标系， 其中， 所述斗殴识别模型为金字塔结构 中融合有注意力机制的残差卷积神经网 络模型； 确定模块， 用于根据所述极坐标系确定所述斗殴识别模型的训练预测结果， 待所述训 练预测结果达 到预设目标时， 确定所述斗殴识别模型完成训练； 识别模块， 用于根据完成训练的所述斗殴识别模型， 识别存在斗殴行为的熊蜂。 9.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器耦接到所述处理器， 所述存储器存储指令， 当所述指令由所述处理器执行时使所述电子设备执行权利要求1 ‑7 中任一项所述方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现权利要求1 ‑7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114913543 A 3