CN110764093A - 水下生物辨识系统及其方法 - Google Patents

水下生物辨识系统及其方法 Download PDF

Info

Publication number
CN110764093A
CN110764093A CN201910940549.1A CN201910940549A CN110764093A CN 110764093 A CN110764093 A CN 110764093A CN 201910940549 A CN201910940549 A CN 201910940549A CN 110764093 A CN110764093 A CN 110764093A
Authority
CN
China
Prior art keywords
underwater
neural network
creature
ultrasonic
hybrid neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910940549.1A
Other languages
English (en)
Inventor
黄建国
沈炜翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qisda Suzhou Co Ltd
Qisda Corp
Original Assignee
Qisda Suzhou Co Ltd
Qisda Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qisda Suzhou Co Ltd, Qisda Corp filed Critical Qisda Suzhou Co Ltd
Priority to CN201910940549.1A priority Critical patent/CN110764093A/zh
Publication of CN110764093A publication Critical patent/CN110764093A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种水下生物辨识系统及其方法，包含：水下超声波装置，朝水下生物发射多个超声波信号，且接收该多个超声波信号的多个反射信号；处理器，根据该多个反射信号产生超声波影像；以及混合型神经网络，包含关于该水下生物的多个自我训练特征以及多个人工设定特征，该混合型神经网络根据该多个自我训练特征与该多个人工设定特征，以自该超声波影像辨识出该水下生物。本发明通过混合型神经网络对超声波影像进行分析，以自超声波影像辨识出水下生物。由于混合型神经网络包含关于水下生物的多个自我训练特征以及多个人工设定特征，因此，本发明可精准地对超声波影像中的水下生物进行辨识与分类，进而帮助用户快速地自超声波影像辨识出水下生物。

Description

水下生物辨识系统及其方法
技术领域
本发明涉及超声波技术领域，尤其涉及一种水下生物辨识系统及其方法。
背景技术
由于超声波具有不破坏材料结构以及不伤害生物体的特性，因而普遍地被应用于水下生物的侦测。超声波可以让用户观察水下生物而不需直接潜入水中。然而，没有受过专业训练的一般使用者并无法直接从超声波影像辨识出水下生物的种类。因此，如何帮助用户快速地自超声波影像辨识出水下生物，便成为一个重要的研究课题。
发明内容
本发明的目的在于提供一种水下生物辨识系统及其方法，其能够帮助用户快速地自超声波影像辨识出水下生物。
为达到上述目的，本发明提供了一种水下生物辨识系统，该水下生物辨识系统包含：水下超声波装置，朝水下生物发射多个超声波信号，且接收该多个超声波信号的多个反射信号；处理器，根据该多个反射信号产生超声波影像；以及混合型神经网络，包含关于该水下生物的多个自我训练特征以及多个人工设定特征，该混合型神经网络根据该多个自我训练特征与该多个人工设定特征，以自该超声波影像辨识出该水下生物。
较佳的，该混合型神经网络预先对包含该水下生物的影片进行影像辨识，以得到该多个自我训练特征。
较佳的，该多个人工设定特征通过手动方式输入该混合型神经网络。
较佳的，该系统还包含：数据库，用以储存该水下生物的实际影像；其中，在该混合型神经网络自该超声波影像辨识出该水下生物后，该处理器将该超声波影像中该水下生物的目前影像转换为该水下生物之该实际影像。
较佳的，该系统还包含：数据库，用以储存该水下生物的标签；其中，在该混合型神经网络自该超声波影像辨识出该水下生物后，该处理器以该标签标示该水下生物。
此外，本发明还提供一种水下生物辨识方法，该水下生物辨识方法包含下列步骤：通过水下超声波装置朝水下生物发射多个超声波信号，且接收该多个超声波信号得多个反射信号；通过处理器以根据该多个反射信号产生一超声波影像；将该超声波影像输入混合型神经网络，该混合型神经网络包含关于该水下生物得多个自我训练特征以及多个人工设定特征；以及由该混合型神经网络根据该多个自我训练特征与该多个人工设定特征，以自该超声波影像辨识出该水下生物。
较佳的，该混合型神经网络预先对包含该水下生物的影片进行影像辨识，以得到该多个自我训练特征。
较佳的，该多个人工设定特征通过手动方式输入该混合型神经网络。
较佳的，该方法还包含下列步骤：提供该水下生物的实际影像；以及在该混合型神经网络自该超声波影像辨识出该水下生物后，将该超声波影像中该水下生物的目前影像转换为该水下生物之该实际影像。
较佳的，该方法还包含下列步骤：提供该水下生物的标签；以及在该混合型神经网络自该超声波影像辨识出该水下生物后，以该标签标示该水下生物。
与现有技术相比，本发明提供的水下生物辨识系统及其方法通过混合型神经网络对超声波影像进行分析，以自超声波影像辨识出水下生物。由于混合型神经网络包含关于水下生物的多个自我训练特征以及多个人工设定特征，因此，本发明可精准地对超声波影像中的水下生物进行辨识与分类，进而帮助用户快速地自超声波影像辨识出水下生物。
附图说明
图1为本发明实施例提供的水下生物辨识系统的功能方块图；
图2为本发明实施例提供的超声波影像的示意图；
图3为本发明实施例提供的水下生物辨识方法的流程图；
图4为本发明实施例提供的将目前影像转换为实际影像的示意图；
图5为本发明实施例提供的以标签标示水下生物的示意图。
具体实施方式
为使对本发明的目的、构造、特征及其功能有进一步的了解，兹配合实施例详细说明如下。
在说明书及权利要求书当中使用了某些词汇来指称特定的元件。所属领域中具有通常知识者应可理解，制造商可能会用不同的名词来称呼同一个元件。本说明书及权利要求书并不以名称的差异来作为区分元件的方式，而是以元件在功能上的差异来作为区分的准则。在通篇说明书及权利要求当中所提及的「包括」为开放式的用语，故应解释成「包括但不限定于」。
请参阅图1至图3，图1为本发明实施例提供的水下生物辨识系统1的功能方块图，图2为本发明实施例提供的超声波影像3的示意图，图3为本发明实施例提供的水下生物辨识方法的流程图。图3中的水下生物辨识方法可通过图1中的水下生物辨识系统1来实现。
如图1所示，水下生物辨识系统1包含水下超声波装置10、处理器12、混合型神经网络14以及数据库16。于此实施例中，处理器12、混合型神经网络14与数据库16可设置于计算机(未于图中绘示)中，且计算机可与水下超声波装置10形成通讯，以进行信号传输。水下超声波装置10可为水下超声波探头或其它可收发超声波的水下超声波装置。
当用户欲以水下生物辨识系统1对水下生物进行辨识时，使用者可先以水下超声波装置10朝水下生物发射多个超声波信号，且接收多个超声波信号的多个反射信号(图3中的步骤S10)。接着，处理器12即会根据多个反射信号产生如图2所示的超声波影像3(图3中的步骤S12)，其中，超声波影像3中存在水下生物30(例如，鱼、虾、蟹等)。于此实施例中，超声波影像3可为经二值化处理后的二值化超声波影像，但不以此为限。需说明的是，二值化处理技术已为本领域技术人员所熟知，在此不再赘述。此外，超声波影像3中的水下生物的数量与种类可根据实际应用而决定，并不以图中所绘示的实施例为限。
接着，处理器12可将超声波影像3输入混合型神经网络14(图3中的步骤S14)，以对超声波影像3中的水下生物30进行辨识与分类。本发明中的混合型神经网络14包含关于水下生物30的多个自我训练特征以及多个人工设定特征。于此实施例中，混合型神经网络14可为卷积神经网络(Convolution Neural Network，CNN)或其它类似神经网络。于此实施例中，混合型神经网络14系已预先被训练好，用以辨识水下生物。混合型神经网络14可预先对包含水下生物30的影片进行影像辨识，以得到多个自我训练特征。上述影片可包含水下生物30的位置信息、运动信息、器官信息等，视实际应用而定。需说明的是，神经网络的详细训练过程已为本领域技术人员所熟知，在此不再赘述。
此外，多个人工设定特征可以手动方式输入混合型神经网络14。举例而言，当水下生物为鱼类时，人工设定特征可包含鱼体长度、鱼体大小、游泳速度、鱼鳔大小、活动深度、雷纳数(Reynolds number)等，视实际应用而定。当用户在超声波影像上发现新水下生物时，使用者可以自行计算并输入上述人工设定特征至混合型神经网络14，以增加混合型神经网络14辨识水下生物的准确率。
因此，在超声波影像3输入混合型神经网络14后，即可由混合型神经网络14根据多个自我训练特征与多个人工设定特征，自超声波影像3辨识出水下生物30(图3中的步骤S16)。
请参阅图4，图4为本发明实施例提供的目前影像转换为实际影像的示意图。于此实施例中，本发明可进一步提供水下生物30的实际影像，其中数据库16可用以储存水下生物30的实际影像。在混合型神经网络14自超声波影像3辨识出水下生物30后，处理器12可将超声波影像3中水下生物30的目前影像(如图2所示)转换为水下生物30的实际影像(如图4所示)。藉此，使用者即可藉由水下生物30的实际影像快速地自超声波影像3辨识出水下生物30。
请参阅图5，图5为本发明实施例提供的以标签32标示水下生物30的示意图。于此实施例中，本发明可进一步提供水下生物30的标签32(例如，鱼类名称)，其中数据库16可用以储存水下生物30的标签32。在混合型神经网络14自超声波影像3辨识出水下生物30后，处理器12可以标签32标示水下生物30，使得使用者可藉由水下生物30的标签32快速地自超声波影像3辨识出水下生物30。如图5所示，标签32可标示于水下生物30实际影像的周围。当然，标签32亦可标示于水下生物30的实际影像上，其可视实际应用而定。此外，标签32亦可标示于如图2所示的水下生物30的目前影像上或周围，视实际应用而定。
综上所述，本发明通过混合型神经网络对超声波影像进行分析，以自超声波影像辨识出水下生物。由于混合型神经网络包含关于水下生物的多个自我训练特征以及多个人工设定特征，因此，本发明可精准地对超声波影像中的水下生物进行辨识与分类，进而帮助用户快速地自超声波影像辨识出水下生物。此外，本发明可进一步提供水下生物的实际影像及/或标签，使得用户可藉由水下生物的实际影像及/或标签快速地自超声波影像辨识出水下生物。。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (10)

1.一种水下生物辨识系统，其特征在于，该水下生物辨识系统包含：
水下超声波装置，朝水下生物发射多个超声波信号，且接收该多个超声波信号的多个反射信号；
处理器，根据该多个反射信号产生超声波影像；以及
混合型神经网络，包含关于该水下生物的多个自我训练特征以及多个人工设定特征，该混合型神经网络根据该多个自我训练特征与该多个人工设定特征，以自该超声波影像辨识出该水下生物。
2.如权利要求1所述的水下生物辨识系统，其特征在于，该混合型神经网络预先对包含该水下生物的影片进行影像辨识，以得到该多个自我训练特征。
3.如权利要求1所述的水下生物辨识系统，其特征在于，该多个人工设定特征通过手动方式输入该混合型神经网络。
4.如权利要求1所述的水下生物辨识系统，其特征在于，该系统还包含：
数据库，用以储存该水下生物的实际影像；
其中，在该混合型神经网络自该超声波影像辨识出该水下生物后，该处理器将该超声波影像中该水下生物的目前影像转换为该水下生物之该实际影像。
5.如权利要求1所述的水下生物辨识系统，其特征在于，该系统还包含：
数据库，用以储存该水下生物的标签；
其中，在该混合型神经网络自该超声波影像辨识出该水下生物后，该处理器以该标签标示该水下生物。
6.一种水下生物辨识方法，其特征在于，该水下生物辨识方法包含下列步骤：
通过水下超声波装置朝水下生物发射多个超声波信号，且接收该多个超声波信号得多个反射信号；
通过处理器以根据该多个反射信号产生一超声波影像；
将该超声波影像输入混合型神经网络，该混合型神经网络包含关于该水下生物得多个自我训练特征以及多个人工设定特征；以及
由该混合型神经网络根据该多个自我训练特征与该多个人工设定特征，以自该超声波影像辨识出该水下生物。
7.如权利要求6所述的水下生物辨识方法，其特征在于，该混合型神经网络预先对包含该水下生物的影片进行影像辨识，以得到该多个自我训练特征。
8.如权利要求6所述的水下生物辨识方法，其特征在于，该多个人工设定特征通过手动方式输入该混合型神经网络。
9.如权利要求6所述的水下生物辨识方法，其特征在于，该方法还包含下列步骤：
提供该水下生物的实际影像；以及
在该混合型神经网络自该超声波影像辨识出该水下生物后，将该超声波影像中该水下生物的目前影像转换为该水下生物之该实际影像。
10.如权利要求6所述的水下生物辨识方法，其特征在于，该方法还包含下列步骤：
提供该水下生物的标签；以及
在该混合型神经网络自该超声波影像辨识出该水下生物后，以该标签标示该水下生物。
CN201910940549.1A 2019-09-30 2019-09-30 水下生物辨识系统及其方法 Pending CN110764093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910940549.1A CN110764093A (zh) 2019-09-30 2019-09-30 水下生物辨识系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910940549.1A CN110764093A (zh) 2019-09-30 2019-09-30 水下生物辨识系统及其方法

Publications (1)

Publication Number Publication Date
CN110764093A true CN110764093A (zh) 2020-02-07

Family

ID=69329105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910940549.1A Pending CN110764093A (zh) 2019-09-30 2019-09-30 水下生物辨识系统及其方法

Country Status (1)

Country Link
CN (1) CN110764093A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017189859A1 (en) * 2016-04-27 2017-11-02 Neurala, Inc. Methods and apparatus for pruning experience memories for deep neural network-based q-learning
CN108154105A (zh) * 2017-12-21 2018-06-12 深圳先进技术研究院 水下生物检测与识别方法、装置、服务器及终端设备
CN108520511A (zh) * 2018-03-19 2018-09-11 中国海洋大学 一种基于鱼探仪的水下鱼类目标探测与识别方法
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
CN109856138A (zh) * 2018-12-18 2019-06-07 杭州电子科技大学 基于深度学习的深海网箱鱼类健康识别系统和方法
WO2019109998A1 (zh) * 2017-12-08 2019-06-13 庄信万丰(上海)化工有限公司 用于汽油废气应用的新型三区两层twc催化剂

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017189859A1 (en) * 2016-04-27 2017-11-02 Neurala, Inc. Methods and apparatus for pruning experience memories for deep neural network-based q-learning
WO2019109998A1 (zh) * 2017-12-08 2019-06-13 庄信万丰(上海)化工有限公司 用于汽油废气应用的新型三区两层twc催化剂
CN108154105A (zh) * 2017-12-21 2018-06-12 深圳先进技术研究院 水下生物检测与识别方法、装置、服务器及终端设备
CN108520511A (zh) * 2018-03-19 2018-09-11 中国海洋大学 一种基于鱼探仪的水下鱼类目标探测与识别方法
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
CN109856138A (zh) * 2018-12-18 2019-06-07 杭州电子科技大学 基于深度学习的深海网箱鱼类健康识别系统和方法

Similar Documents

Publication Publication Date Title
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
Awad et al. Intelligent eye: A mobile application for assisting blind people
CN109213876B (zh) 基于生成对抗网络的跨模态检索方法
EP3933686A3 (en) Video processing method, apparatus, electronic device, storage medium, and program product
EP3869397A3 (en) Method, apparatus, device and storage medium for processing image
Potdar et al. A convolutional neural network based live object recognition system as blind aid
CN115658955B (zh) 跨媒体检索及模型训练方法、装置、设备、菜谱检索系统
CN112613471B (zh) 人脸活体检测方法、装置及计算机可读存储介质
WO2022021948A1 (zh) 动作识别方法、装置、计算机设备及存储介质
Uehara et al. Visual question generation for class acquisition of unknown objects
CN111079665A (zh) 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法
CN114239612A (zh) 一种多模态神经机器翻译方法、计算机设备及存储介质
Paraschiv et al. Classification of underwater fish images and videos via very small convolutional neural networks
CN116778309A (zh) 残饵监测方法、装置、系统和存储介质
CN113449548A (zh) 更新物体识别模型的方法和装置
Bhat et al. Vision sensory substitution to aid the blind in reading and object recognition
Ahmed et al. An advanced Bangladeshi local fish classification system based on the combination of deep learning and the internet of things (IoT)
CN111738062B (zh) 一种基于嵌入式平台的自动再识别系统
CN110764093A (zh) 水下生物辨识系统及其方法
TWI717043B (zh) 水下生物辨識系統及水下生物辨識方法
CN111723688A (zh) 人体动作识别结果的评价方法、装置和电子设备
CN111104523A (zh) 基于语音辅助的视听协同学习机器人及学习方法
CN111079617A (zh) 家禽识别方法、装置、可读存储介质及电子设备
CN116434256A (zh) 药物影像辨识方法、电子设备及存储介质
CN109344289B (zh) 用于生成信息的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200207

WD01 Invention patent application deemed withdrawn after publication