CN110766650A - 生物检测预警方法、系统、装置、计算机设备和存储介质 - Google Patents

生物检测预警方法、系统、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110766650A
CN110766650A CN201910717345.1A CN201910717345A CN110766650A CN 110766650 A CN110766650 A CN 110766650A CN 201910717345 A CN201910717345 A CN 201910717345A CN 110766650 A CN110766650 A CN 110766650A
Authority
CN
China
Prior art keywords
biological
image
images
sample
water body
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
CN201910717345.1A
Other languages
English (en)
Inventor
郑一
鲁海燕
张志栋
张敬杰
姜继平
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.)
Southwest University of Science and Technology
Southern University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201910717345.1A priority Critical patent/CN110766650A/zh
Publication of CN110766650A publication Critical patent/CN110766650A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种生物检测预警方法、系统、装置、计算机设备和存储介质。方法包括：获取多张生物图像；多张生物图像为待测水体样本中不同层次的生物图像；对各生物图像进行分割，得到各生物图像的多个子图像；将各子图像输入生物识别模型，得到对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记；根据各子图像对应的输出子图像得到待测水体样本中的生物数据；将生物数据传输至服务器，以使服务器根据生物数据发布预警信息。采用本方法能够使得检测结果更加准确，也保证了预警的准确性。

Description

生物检测预警方法、系统、装置、计算机设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种生物检测预警方法、系统、装置、计算机设备和存储介质。
背景技术
有害藻华(harmful algae blooms，缩写为HABs)包括海洋赤潮和淡水水华，是威胁、危害水体生态环境一种灾害，有害藻华带来的水体生态环境恶化能够严重威胁水产养殖业和旅游业，并且能够通过直接接触或者食物链富集等途径并对人类健康造成危害，因此有害藻华不仅是严重的生态环境问题，也是能够引起经济损失和负面社会效应的问题。
目前生物的检测手段主要有显微计数等技术。显微计数法需要经过采样、固定、沉淀、浓缩等步骤，并且，需要非常专业的人员运用光学显微镜对生物进行人工分类和计数。可以看出，现有技术中的生物检测方法存在由于检测时间较长、人工统计容易出现较大误差而造成的时效性差、准确度较低等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种时效性好且准确度高的生物检测预警方法、系统、装置、计算机设备和存储介质。
一种生物检测预警方法，所述方法包括：
获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；所述生物数据用于表征所述待测水体样本中的生物量；
将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
一种生物检测预警系统，所述系统包括：
样本采集模块，用于在目标水体中采集待测水体样本；
成像模块，用于对所述待测水体样本进行拍摄；
数据处理模块，用于获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；对各所述生物图像进行分割，得到各所述生物图像的多个子图像；将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；
数据传输模块，用于将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
一种生物检测预警装置，所述装置包括：
生物图像获取模块，用于获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
分割模块，用于对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
模型识别模块，用于将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
生物数据处理模块，用于根据所述输出子图像得到所述待测水体样本中的生物数据；
传输预警模块，用于将所述生物数据传输至服务器，以使所述服务器根据所述生物的数据信息发布预警信息或有害藻华预报。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；所述生物数据用于表征所述待测水体样本中的生物量；
将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；所述生物数据用于表征所述待测水体样本中的生物量；
将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
上述生物检测预警方法、系统、装置、计算机设备和存储介质，通过获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；对各所述生物图像进行分割，得到各所述生物图像的多个子图像；将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；所述生物数据用于表征所述待测水体样本中的生物量；将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。根据本申请实施例提供的生物检测预警方法，通过生物识别模型对待测水体样本的生物图像进行生物识别并得到待测水体样本中的生物数据，可以保证生物识别的准确性，通过统计不同层次多张生物图像的生物数据，可以在待测水体样本中生物分布不均时，也可以保证了检测结果的准确性，并且通过所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息，提升了预警的时效性。
附图说明
图1为本申请实施例提供的生物检测预警方法的实施环境图；
图2为本申请实施例提供的一种生物检测预警方法的流程图；
图3为本申请实施例提供的另一种生物检测预警方法的流程图；
图4为本申请实施例提供的另一种生物检测预警方法的流程图；
图5为本申请实施例提供的另一种生物检测预警方法的流程图；
图6为本申请实施例提供的另一种生物检测预警方法的流程图；
图7a-图7f为本申请实施例提供的子图像示意图；
图8为本申请实施例提供的另一种生物检测预警方法的流程图；
图9为本申请实施例提供的一种生物检测预警系统的框图；
图10为本申请实施例提供的一种生物检测预警装置的框图；
图11为本申请实施例提供的另一种生物检测预警装置的框图；
图12为本申请实施例提供的一种计算机设备的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的生物检测预警方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可以是藻华决策部门的服务器，用于发布藻华预警信息或根据藻华情况制定并发布相关措施。
请参考图2，其示出了本实施例提供的一种生物检测预警方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取多张生物图像；该多张生物图像为待测水体样本中不同层次的生物图像。
在本申请的一个实施例中，终端102会发送控制指令至成像模块，以使成像模块对待测水体样本进行拍摄，并接受成像模块传送回来的多张生物图像。
其中，成像模块会按照不同景深，即设置不同的焦距对待测水体样本进行分别拍摄，并得到不同景深下的生物图像，将不同景深下的生物图像作为该多张生物图像。
其中，成像模块可以包括成像系统、自动调节器、载物台、光源等，其中，载物台用于放置待测水体样本，自动调节器会根据终端102发送的控制指令，对成像系统中的调焦螺旋进行调节，进而实现拍摄不同焦距的多张生物图像。
步骤204，对各生物图像进行分割，得到各生物图像的多个子图像。
在本申请的一个实施例中，生物图像的尺寸由成像模块的镜头参数决定，由于获取到的生物图像尺寸较大，若将尺寸较大的生物图像输入生物识别模型，会降低生物识别模型的识别效率，进而降低有害藻华预报的时效性，因此，需要对原始的生物图像进行分割，以得到尺寸较小的多个子图像。
可选的，分割方法为按行列分割，即对于生物图像进行行列划分，并根据划分结果对生物图像进行分割以得到多个子图像。
例如，原始的生物图像的尺寸为2592*1944像素，按照8*8的行列进行分割，每张原始的生物图像可以被分割成64张子图像，分割后的子图像尺寸为 324*243像素。
步骤206，将各子图像输入生物识别模型，得到各子图像对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记。
在本申请的一个实施例中，终端会将分割后得到的多个子图像输入生物识别模型，其中，生物识别模型用于在输入的子图像上添加对目标生物的框选标记，及在输入的子图像上添加对目标生物的分类标记。该分类标记可以用于表示框选标记中的目标生物的生物类型。即，对于输入的子图像，该生物识别模型可以框选识别到的目标生物，并对该识别到的目标生物进行分类，并添加对应的分类标记。可选的，目标生物可以为浮游植物，进一步的，可以为藻细胞，上述分类标记可以包括球体藻细胞、多球体藻细胞、盒型藻细胞等。在本申请的一个实施例中，输出子图像是在输入的子图像的基础上添加了对目标生物的框选标记及分类标记。
步骤208，根据各子图像对应的输出子图像得到待测水体样本中的生物数据；该生物数据用于表征待测水体样本中的生物量。
在本申请的一个实施例中，生物数据可以包括待测水体样本中的目标生物的个体浓度。进一步的，若待测水体中含有多种生物类别的生物，生物数据包括待测水体样本中的每一类目标生物的个体浓度。
在本申请的一个实施例中，生物数据可以包括待测水体样本中的目标生物的湿重。进一步的，若待测水体中含有多种生物类别的生物，生物数据还包括待测水体样本中的每一类目标生物的湿重。
在本申请的一个实施例中，生物数据还可以为表征待测水体样本中的生物量的其他参数，包括目标生物数量、生物类别数、生物体积等。通过该生物数据可以预测待测水体样本所属水体区域的藻华情况。
步骤210，将生物数据传输至服务器，以使服务器根据该生物数据发布预警信息。
在本申请的一个实施例中，终端在得到生物数据时，会通过数据传输模块将该生物数据传输至服务器，服务器可以根据该生物数据制定相关措施，如发布预警信息，或结合相关模型进行有害藻华预报。
可选的，数据传输模块采用Zigbee技术，通过IEEE802.15.4协议，将数据实时传输至服务器。
在本申请实施例提供的生物检测预警方法中，通过生物识别模型对待测水体样本的生物图像进行生物识别并得到待测水体样本中的生物数据，可以保证生物识别的准确性，通过统计不同层次多张生物图像的生物数据，可以在待测水体样本中生物分布不均时，也可以保证了检测结果的准确性，并且通过生物数据传输至服务器，以使服务器根据生物数据发布预警信息，提升了预警的时效性。
请参考图3，其示出了本实施例提供的另一种生物检测预警方法的流程图，该生物检测预警方法可以应用于上文所述的实施环境中的终端102中。在上述图2所示实施例的基础上，上述步骤202具体可以包括以下步骤：
步骤302，获取拍摄层数及待测水体样本的样本厚度。
在本申请的一个实施例中，拍摄层数可以是预设的层数，较优的，拍摄层数可以预设为15层。在另一个实施例中，拍摄层数可以是用户设定的，终端102 会接收用户输入的拍摄层数。
在本申请的一个实施例中，待测水体样本被放置于成像模块中的载物台上，其中，待测水体样本的液面位置至底部位置的距离为样本厚度。该样本厚度可以通过接收用户输入数据而得到，也可以直接检测待测水体样本的液面高度，并结合载物台的高度得到。
步骤304，根据拍摄层数及样本厚度，确定多个拍摄位置。
在本申请的一个实施例中，拍摄位置的数量与拍摄层数的数量相同，终端根据样本厚度将多个拍摄位置均匀的分布在待测水体样本的不同高度中。例如，若拍摄层数为15层，样本厚度为1.5cm，拍摄位置的数量为15，将15个拍摄位置均匀的放置在待测水体样本的不同高度中，即每两个相邻的拍摄位置的间隔为0.1cm。15个拍摄位置可以为0.1cm、0.2cm、0.3cm、0.4cm、0.5cm、0.6cm、 0.7cm、0.8cm、0.9cm、1.0cm、1.1cm、1.2cm、1.3cm、1.4cm、1.5cm。15个拍摄位置还可以为0.05cm、0.15cm、0.25cm、0.35cm、0.45cm、0.55cm、0.65cm、 0.75cm、0.85cm、0.95cm、1.05cm、1.15cm、1.25cm、1.35cm、1.45cm。
在本申请的另一个实施例中，多个拍摄位置可以随机分布在待测水体样本中的不同深度中。
步骤306，在多个拍摄位置对待测水体样本进行拍摄，得到多张生物图像。
在本申请的一个实施例中，终端102会根据得到的多个拍摄位置，生成控制指令，并将控制指令发送至成像模块，以使成像模块根据多个拍摄位置，通过设置对应的焦距对待测水体样本进行拍摄，得到待测水体样本中不同深度的生物图像，即得到待测水体样本中不同层次的生物图像。
在本申请实施例提供的生物检测预警方法中，通过获取拍摄层数及待测水体样本的样本厚度；根据拍摄层数及样本厚度，确定多个拍摄位置；在多个拍摄位置对待测水体样本进行拍摄，得到多张生物图像。根据本申请实施例提供的生物检测预警方法，通过拍摄层数和样本厚度确定多个拍摄位置，进而得到不同层次的多张生物图像，可以在待测水体样本中生物分布不均时，也可以保证了检测结果的准确性。
请参考图4，其示出了本实施例提供的另一种生物检测预警方法的流程图，该生物检测预警方法可以应用于上文所述的实施环境中的终端102中。该生物数据包括待测水体样本中每一类目标生物的生物个体浓度，上述步骤208具体可以包括以下步骤：
步骤402，根据输出子图像统计各生物图像中的每一类目标生物的个数。
在本申请的一个实施例中，输出子图像中包含有对目标生物的分类标记及框选标记，通过该分类标记和框选标记，可以得到各输出子图像中每一类目标生物的个数。每一生物图像都对应有多个输出子图像，根据各输出子图像中每一类目标生物的个数，可以统计得到各生物图像中的每一类目标生物的个数。
步骤404，根据各生物图像的样品体积及各生物图像中的每一类目标生物的个数，得到各生物图像中每一类目标生物的生物浓度。
具体的，生物图像的样品体积为该生物图像中可以被拍摄到的样品体积，也就是说，通过该生物图像可以观测到样品体积内的待测水体样本。可以根据成像模块的视野面积与可识别景深得到样品体积。
在本申请的一个实施例中，各生物图像的样品体积是相同的。在一个可选的实施例中，生物图像的可识别景深默认为30μm，样品体积为30μm*视野面积。在另一个可选的实施例中，生物图像的样品体积可以通过特定的检测方法得到。
在本申请的另一个实施例中，各生物图像的样品体积是不相同的。生物图像的样品体积与生物图像的拍摄位置存在对应关系，可以根据各生物图像的拍摄位置，确定对应的生物图像的样品体积。
在本申请的一个实施例中，生物图像中每一类目标生物的生物浓度、生物图像的样品体积及每一类目标生物的个数满足下述关系式：
Figure RE-GDA0002336746790000081
步骤406，根据各生物图像中每一类目标生物的生物浓度及各生物图像的拍摄位置得到每一类目标生物的生物个体浓度。
在本申请的一个实施例中，将每一生物图像的拍摄位置作为第一变量，将每一生物图像的每一类生物的生物浓度作为第二变量，建立线性回归方程，该线性回归方程用于表征拍摄位置与每一类生物的生物浓度的关系。根据建立的线性回归方程计算每一类生物的生物平均浓度，作为每一类目标生物的生物个体浓度。
在本申请实施例提供的生物检测预警方法中，通过根据输出子图像统计各生物图像中的每一类目标生物的个数；根据各生物图像的样品体积及各生物图像中的每一类目标生物的个数，得到各生物图像中每一类目标生物的生物浓度；根据各生物图像中每一类目标生物的生物浓度及各生物图像的拍摄位置得到每一类目标生物的生物个体浓度。根据本申请实施例提供的生物检测预警方法，通过统计并计算各生物图像中每一类目标生物的生物浓度，并建立线性回归方程，进而确定待测水体样本中每一类目标生物的生物个体浓度，使得得到的生物数据可以更加准确的反映待测水体样本的生物量。
请参考图5，其示出了本实施例提供的另一种生物检测预警方法的流程图，该生物检测预警方法可以应用于上文所述的实施环境中的终端102中。生物数据还包括待测水体样本中每一类目标生物的生物湿重，上述步骤208具体可以包括以下步骤：
步骤502、统计每一类目标生物的生物面积平均值。
在本申请的一个实施例中，输出子图像中包含有对目标生物的分类标记及框选标记，通过该分类标记和框选标记，可以得到各输出子图像中每一类目标生物的个数和面积总和。进而可以得到每一类目标生物的生物面积平均值。
步骤504、根据每一类目标生物的生物面积平均值得到每一类目标生物的生物平均体积。
在本申请的一个实施例中，可以根据每一类目标生物的生物类型，获得生物平均体积与生物平均面积的比例关系。通过该比例关系可以得到每一类目标生物的生物平均体积。
例如，当目标生物的生物类型为球形时，生物平均体积与生物平均面积的比例关系为：
Figure RE-GDA0002336746790000101
例如，当生物平均面积为200μm2时，生物平均体积为
Figure RE-GDA0002336746790000102
步骤506、根据每一类目标生物的生物平均体积、待测水体密度及每一类目标生物的生物个体浓度得到每一类目标生物的生物湿重。
在本申请的一个实施例中，终端会发送密度请求至密度检测设备，以使密度检测设备对待测水体样本进行密度检测，并接收密度检测设备回传的待测水体密度。由于浮游生物悬浮于待测水体样本中，因此将待测水体密度近似的认为是目标生物的密度。
在本申请的一个实施例中，每一类目标生物的生物平均体积、待测水体密度及每一类目标生物的生物个体浓度与每一类目标生物的生物湿重满足下述关系式：
每一类目标生物的生物湿重＝每一类目标生物的生物平均体积*待测水体密度*每一类目标生物的生物个体浓度
例如，当目标生物的生物类型为球形时，得到的生物平均体积为 2.1282e+03μm3，待测水体密度为1.02*103μg/μl，球形生物的个体浓度为 748672.3个/ml，此时，球形生物的生物湿重为
Figure RE-GDA0002336746790000103
在本申请实施例提供的生物检测预警方法中，通过统计并计算各生物图像中每一类目标生物的生物平均面积及生物平均体积，并结合待测水体密度及每一类目标生物的生物个体浓度，进而确定待测水体样本中每一类目标生物的生物湿重，使得得到的生物数据可以更加准确的反映待测水体样本的生物量。
请参考图6，其示出了本实施例提供的另一种生物检测预警方法的流程图，该生物检测预警方法可以应用于上文所述的实施环境中的终端102中。上述步骤502具体可以包括以下步骤：
步骤602、对子图像进行对比度增强处理得到第一处理图像。
在本申请的一个实施例中，可以采用直方图调整法对子图像进行对比度增强处理，以得到第一处理图像。在本申请的另一个实施例中，可以采用灰度变换法对子图像进行对比度增强处理，以得到第一处理图像。如图7a、7b所示，图7a为其中一张子图像，图7b为第一处理图像，对图7a进行对比度增强处理，即可以得到图7b所示的第一处理图像。
步骤604、对子图像进行去噪处理得到第二处理图像。
在本申请的一个实施例中，可以采用最大类间方差法(Otsu)对子图像进行去噪处理，以得到第二处理图像。如图7c所示，图7c为第二处理图像，对图7a进行去噪处理，即可得到图7c所示的第二处理图像。
步骤606、融合第一处理图像及第二处理图像，得到去背景结果图像。
在本申请的一个实施例中，将获取到第一处理图像及第二处理图像进行与或运算，得到去背景结果图像。如图7d所示，图7d为去背景结果图像，将得到的图7b及图7c进行与或运算，即可得到图7d所示的去背景结果图像。
步骤608、根据输出子图像中框选标记的标记位置及分类标记，结合去背景结果图像，得到子图像中每一类目标生物的面积计算区域。
在本申请的一个实施例中，终端获取子图像对应的输出子图像，该输出子图像携带了框选标记及分类标记，结合获得的去背景结果图像，可以在该去背景结果图像中添加框选标记及分类标记，进而根据框选标记内的阴影面积得到子图像中每一类目标生物的面积计算区域。
如图7e、图7f所示，图7e为子图像对应的输出子图像，可以看出，该输出子图像携带有框选标记及分类标记。对图7e及图7d进行与或运算，即可得到图7f，该图7f在去背景结果图像的基础上添加了框选标记及分类标记。通过统计每一类目标生物对应框选区域的阴影面积，以得到该子图像中每一类目标生物的面积计算区域。
步骤610、统计各生物图像中的每一类目标生物的个数及各生物图像中的每一类目标生物的面积计算区域总和，得到每一类目标生物的面积平均值。
在本申请的一个实施例中，终端会根据各子图像中每一类目标生物的面积计算区域，统计各生物图像中每一类目标生物的面积计算区域总和，结合各生物图像中每一类目标生物的个数，可以得到每一类目标生物的面积平均值。
在本申请实施例提供的生物检测预警方法中，通过对子图像分别进行对比度增强处理及去噪处理，得到对应的处理图像，结合子图像对应的输出子图像，获得子图像中每一类目标生物的面积计算区域，进而确定每一类目标生物的面积平均值，提高了生物面积数据的准确性，进而使得得到的生物数据的可以更加准确的反映待测水体样本的生物量。
对于不同的待测水体样本，或者对于不同的成像模块，成像模块拍摄的生物图像所代表的样品体积并不相同，采用预设的样品体积不能保证每一次生物量计算的准确性。因此，请参考图8，其示出了本实施例提供的另一种生物检测预警方法的流程图，该生物检测预警方法可以应用于上文所述的实施环境中的终端102中。所述方法具体还可以包括以下步骤：
步骤702、控制成像模块的调焦螺旋从初始位置开始，按照预设步长和方向，对待测水体样本进行逐层拍摄，得到多张拍摄图片。
在本申请的一个实施例中，终端102会发送测试指令至成像模块，测试指令用于控制成像模块，以使成像模块通过自动调节器按照预设步长和方向调整调焦螺旋，并在每次调整调焦螺旋后，按照当前焦距对待测水体样本进行拍摄，并得到拍摄图片。
具体的，测试指令会控制调焦螺旋从初始位置(待测水体样本底部)开始向上逐层拍摄，以得到多张拍摄图片。
例如，通过分段设置调焦螺旋，在0-30μm范围内，调焦步长设置为1μm，在位置为0μm时拍摄第1张拍摄图片，调整调焦螺旋，在位置为1μm的时候拍摄第2张拍摄图片，直到在位置为30μm时拍摄到第31张拍摄图片。
步骤704、将多张拍摄图片按顺序输入生物识别模型，得到多个输出图像；输出图像携带了对生物的框选标记及分类标记；分类标记包括可识别景深及最佳景深。
在本申请的一个实施例中，分类标记包括可识别景深及最佳景深，可识别景深类别用于指示在拍摄图像中生物处于可见状态但非最佳可见状态的类别，最佳景深类别用于指示在拍摄图像中生物处于最佳可见状态的类别。
在本申请的一个实施例中，所述输出图像还携带有拍摄顺序。
步骤706、按照拍摄顺序查找同一框选标记位置的生物所在的第一拍摄图片及第二拍摄图片，第一拍摄图片为同一框选标记位置的生物处于可识别景深类别的第一张拍摄图片，第二拍摄图片为同一框选标记位置的生物处于最佳景深类别的第一张拍摄图片。
在本申请的一个实施例中，针对待测水体样本中识别到的一个生物，该生物在多张拍摄图像中可以以可识别景深及最佳景深两种类别出现，按拍摄图像的拍摄顺序，将多张拍摄图片中第一次出现该生物，且处于可识别景深类别的拍摄图片作为第一拍摄图片，将多张拍摄图片中第一次出现该生物，且处于最佳景深类别的拍摄图片作为第二拍摄图片。
步骤708、根据第一拍摄图片与第二拍摄图片的步长间距，和拍摄时的视野面积得到生物图像的样品体积。
在本申请的一个实施例中，获取第一拍摄图片的拍摄位置及第二拍摄图片的拍摄位置，根据上述两张拍摄图片的位置间距，获得拍摄图片的可见厚度，可见厚度为位置间距的2倍。根据可见厚度和拍摄时的视野面积可以得到拍摄图片的样品体积，并将拍摄图片的样品体积作为生物图像的样品体积。
例如，获取第一拍摄图片的拍摄位置h1为3μm，及第二拍摄图片的拍摄位置h2为18μm，得到的拍摄图片的可见厚度为2*(h2-h1)＝30μm。根据拍摄时的视野面积913.68μm*1218.24μm，可以得到拍摄图片的样品体积为 913.68μm*1218.24μm*30μm≈0.03μl。
在本申请实施例提供的生物检测预警方法中，通过生物识别模型按照拍摄顺序对多张拍摄图片进行可识别景深及最佳景深的类别识别，得到分别包含可识别景深类别及最佳景深的两张拍摄图片，以此得到拍摄图片的可见厚度，进而根据拍摄图片的视野面积得到生物图像的样品体积。可以在不同的待测水体样本，或者采用不同的成像模块时，依旧可以得到最准确的生物图像的样品体积，提升了本申请方法针对不同场景的适应性，进而也提升了生物数据的准确性。
本申请还提供了生物识别模型的建立过程，本实施例还提供另一种生物检测预警方法，该生物检测预警方法可以应用于上文所述的实施环境中的终端102 中。所述方法具体可以包括以下步骤：
步骤802、建立生物图像样本集；该生物图像样本集包括多个生物样本图像，生物样本图像携带样本生物的框选标记及分类标记。
在本申请的一个实施例中，生物样本图片可以是人工标记后的生物图片，生物样本图片在生物图片的基础上增加了对样本生物的框选标记及分类标记。
在本申请的另一个实施例中，生物样本图片为生物样本库中标准的样本图像，即对于一类生物存在多个不同的标准样本图像，生物样本图像中携带有样本生物的框选标记及分类标记。
步骤804、将生物图像样本集划分为训练集及检测集。
在本申请的一个实施例中，会根据生物图像样本集中的生物图像样本的数目适应性的对其进行划分，以生成训练集及检测集。
可选的，当生物图像样本数目较少时，会按照固定比例对生物图像样本集进行划分。例如，采用3比1的比例对其进行划分，当生物图像样本数目为200 时，会将其中的150个生物样本图像作为训练集，将剩余的50个生物样本图像作为检测集。
可选的，当生物图像样本数目较多时，会在保证检测集中生物样本图像数量大于预设值时，将剩余的生物样本图像划分到训练集，以保证生物识别模型的训练程度。例如，当生物图像样本数目为2000时，且检测集中生物样本图像数量的预设值为200，则将其中的200个生物样本图像作为检测集，将剩余的 1800个生物样本图像作为训练集。
步骤806、根据训练集对预设的轻量化模型进行训练，得到初始生物识别模型。
具体的，轻量化模型为SqueezeNet、Xception、MobileNet、ShuffleNet 其中的一种，或几种的结合。较优的，采用MobileNet作为轻量化模型。
在本申请的一个实施例中，将训练集中每一个生物样本图像输入至轻量化模型进行训练，得到初始生物识别模型。
步骤808、利用检测集对初始生物识别模型进行检验。
在本申请的一个实施例中，将检测集中每一个生物样本图像输入初始生物识别模型，得到初始生物识别模型输出的测试结果图像，测试结果图像携带初始生物识别模型在生物样本图像上添加的框选标记及分类标记，对比初始生物识别模型在生物样本图像上添加的框选标记及分类标记和生物样本图像中初始的框选标记及分类标记，将对比错误率作为检验结果。对比错误率包括漏判率及误判率。
步骤810、若通过检验，则将初始生物识别模型确定为生物识别模型。
在本申请的一个实施例中，终端会将检验结果和预设的判断阈值进行比较，当检验结果中错误率低于或等于判断阈值时，认定初始生物识别模型训练成功，并将该初始生物识别模型作为生物识别模型。
较优的，预设的判断阈值为15％，即检验结果中错误率低于或等于15％时，认定初始生物识别模型训练成功，并将该初始生物识别模型作为生物识别模型。
在本申请的另一个实施例中，当检验结果中错误率高于判断阈值时，认定初始生物识别模型训练失败，并继续对该初始生物识别模型进行训练。
在本申请实施例提供的生物检测预警方法中，通过设置训练集对预设的轻量化模型进行训练，得到初始生物识别模型，并根据检测集对初始生物识别模型进行检验，得到生物识别模型。根据本申请实施例提供的生物检测预警方法，生成的生物识别模型可以更加准确的对输入图像进行生物识别，并添加对应的框选标记及分类标记，从而保证了对待测水体样本中生物的准确性，进而也保证了生物数据的准确性。
对于生物识别模型，为了保证该生物识别模型对输入的子图像识别的准确性，在输入到该生物识别模型之前，还需要对子图像进行图像处理。在上述图2 所示实施例的基础上，所述方法具体还可以包括以下步骤：
对子图像进行对比度增强处理。
在本发明的一个实施例中，可以采用直方图调整法、灰度变换法等对比度增强算法对子图像进行对比度增强处理。此时，经过对比度增强处理后的子图像在经过生物识别模型进行识别时，可以保证更高的识别准确度。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图9，其示出了本申请实施例提供的一种生物检测预警系统1000的框图。如图9所示，所述生物检测预警系统1000可以包括：样本采集模块1001、成像模块1002、数据处理模块1003和数据传输模块1004，其中：
所述样本采集模块1001，用于在目标水体中采集待测水体样本。
所述成像模块1002，用于对所述待测水体样本进行拍摄。
所述数据处理模块1003，用于获取多张生物图像；多张生物图像为待测水体样本中不同层次的生物图像；对各生物图像进行分割，得到各生物图像的多个子图像；将各子图像输入生物识别模型，得到各子图像对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记；根据各子图像对应的输出子图像得到待测水体样本中的生物数据。
所述数据传输模块1004，用于将生物数据传输至服务器，以使服务器根据生物数据发布预警信息。
请参考图10，其示出了本申请实施例提供的一种生物检测预警装置1100的框图。如图10所示，所述生物检测预警装置1100可以包括：生物图像获取模块1101、分割模块1102、模型识别模块1103、生物数据处理模块1104和传输预警模块1105，其中：
所述生物图像获取模块1101，用于获取多张生物图像；该多张生物图像为待测水体样本中不同层次的生物图像。
所述分割模块1102，用于对各所述生物图像进行分割，得到各生物图像的多个子图像。
所述模型识别模块1103，用于将各子图像输入生物识别模型，得到各子图像对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记。
所述生物数据处理模块1104，用于根据输出子图像得到待测水体样本中的生物数据。
所述传输预警模块1105，用于将生物数据传输至服务器，以使服务器根据生物的数据信息发布预警信息或有害藻华预报。
在本申请的一个实施例中，所述生物图像获取模块1101，具体用于：获取拍摄层数及待测水体样本的样本厚度；根据拍摄层数及样本厚度，确定多个拍摄位置；在多个拍摄位置对待测水体样本进行拍摄，得到多张生物图像。
在本申请的一个实施例中，所述生物数据包括待测水体样本中每一类目标生物的生物个体浓度，生物数据处理模块1104，具体用于：根据输出子图像统计各生物图像中的每一类目标生物的个数；根据各生物图像的样品体积及各生物图像中的每一类目标生物的个数，得到各生物图像中每一类目标生物的生物浓度；根据各生物图像中每一类目标生物的生物浓度及各生物图像的拍摄位置得到每一类目标生物的生物个体浓度。
在本申请的一个实施例中，所述生物数据还包括待测水体样本中每一类目标生物的生物湿重，生物数据处理模块1104，具体用于：统计每一类目标生物的生物面积平均值；根据每一类目标生物的生物面积平均值得到每一类目标生物的生物平均体积；根据每一类目标生物的生物平均体积、待测水体密度及每一类目标生物的生物个体浓度得到每一类目标生物的生物湿重。
在本申请的一个实施例中，所述生物数据处理模块1104，具体用于：对子图像进行对比度增强处理得到第一处理图像；对子图像进行去噪处理得到第二处理图像；融合第一处理图像及第二处理图像，得到去背景结果图像；根据输出子图像中框选标记的标记位置及分类标记，结合去背景结果图像，得到子图像中每一类目标生物的面积计算区域；统计各生物图像中的每一类目标生物的个数及各生物图像中的每一类目标生物的面积计算区域总和，得到每一类目标生物的面积平均值。
在本申请的一个实施例中，所述生物数据处理模块1104，具体用于：对子图像进行对比度增强处理。
请参考图11，其示出了本申请实施例提供的一种生物检测预警装置1200的框图。如图11所示，所述生物检测预警装置1200除了包括生物检测预警装置 1100包括的各模块外，可选的，还可以包括：样品体积计算模块1106和生物识别模型建立模块1107。其中：
所述样品体积计算模块1106，用于控制成像模块的调焦螺旋从初始位置开始，按照预设步长和方向，对所述待测水体样本进行逐层拍摄，得到多张拍摄图片；将多张拍摄图片按顺序输入生物识别模型，得到多个输出图像；输出图像携带了对生物的框选标记及分类标记；分类标记包括可识别景深及最佳景深；按照拍摄顺序查找同一框选标记位置的生物所在的第一拍摄图片及第二拍摄图片，第一拍摄图片为同一框选标记位置的生物处于可识别景深类别的第一张拍摄图片，第二拍摄图片为同一框选标记位置的生物处于最佳景深类别的第一张拍摄图片；根据第一拍摄图片与第二拍摄图片的步长间距，和拍摄时的视野面积得到生物图像的样品体积。
所述生物识别模型建立模块1107，用于建立生物图像样本集；生物图像样本集包括多个生物样本图像，生物样本图像携带样本生物的框选标记及分类标记；将生物图像样本集划分为训练集及检测集；根据训练集对预设的轻量化模型进行训练，得到初始生物识别模型；利用检测集对初始生物识别模型进行检验；若通过检验，则将初始生物识别模型确定为生物识别模型。
关于生物检测预警装置的具体限定可以参见上文中对于生物检测预警方法的限定，在此不再赘述。上述生物检测预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生物检测预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取多张生物图像；该多张生物图像为待测水体样本中不同层次的生物图像；
对各生物图像进行分割，得到各生物图像的多个子图像；
将各子图像输入生物识别模型，得到各子图像对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记；
根据各子图像对应的输出子图像得到待测水体样本中的生物数据；生物数据用于表征待测水体样本中的生物量；
将生物数据传输至服务器，以使服务器根据生物数据发布预警信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多张生物图像；该多张生物图像为待测水体样本中不同层次的生物图像；
对各生物图像进行分割，得到各生物图像的多个子图像；
将各子图像输入生物识别模型，得到各子图像对应的输出子图像；输出子图像携带目标生物的框选标记及分类标记；
根据各子图像对应的输出子图像得到待测水体样本中的生物数据；生物数据用于表征待测水体样本中的生物量；
将生物数据传输至服务器，以使服务器根据生物数据发布预警信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种生物检测预警方法，所述方法包括：
获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；所述生物数据用于表征所述待测水体样本中的生物量；
将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
2.根据权利要求1所述的方法，其特征在于，所述获取多张生物图像，包括：
获取拍摄层数及所述待测水体样本的样本厚度；
根据所述拍摄层数及所述样本厚度，确定多个拍摄位置；
在所述多个拍摄位置对所述待测水体样本进行拍摄，得到所述多张生物图像。
3.根据权利要求2所述的方法，其特征在于，所述生物数据包括所述待测水体样本中每一类目标生物的生物个体浓度，所述根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据包括：
根据所述输出子图像统计各所述生物图像中的每一类目标生物的个数；
根据各所述生物图像的样品体积及各所述生物图像中的每一类目标生物的个数，得到各所述生物图像中每一类目标生物的生物浓度；
根据各所述生物图像中每一类目标生物的生物浓度及各所述生物图像的拍摄位置得到所述每一类目标生物的生物个体浓度。
4.根据权利要求3所述的方法，其特征在于，所述生物数据还包括所述待测水体样本中每一类目标生物的生物湿重，所述根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据还包括：
统计每一类目标生物的生物面积平均值；
根据所述每一类目标生物的生物面积平均值得到每一类目标生物的生物平均体积；
根据所述每一类目标生物的生物平均体积、待测水体密度及所述每一类目标生物的生物个体浓度得到所述每一类目标生物的生物湿重。
5.根据权利要求4所述的方法，其特征在于，所述统计每一类目标生物的生物面积平均值包括：
对所述子图像进行对比度增强处理得到第一处理图像；
对所述子图像进行去噪处理得到第二处理图像；
融合所述第一处理图像及所述第二处理图像，得到去背景结果图像；
根据所述输出子图像中所述框选标记的标记位置及所述分类标记，结合所述去背景结果图像，得到所述子图像中每一类目标生物的面积计算区域；
统计各所述生物图像中的每一类目标生物的个数及各所述生物图像中的每一类目标生物的面积计算区域总和，得到所述每一类目标生物的面积平均值。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
控制成像模块的调焦螺旋从初始位置开始，按照预设步长和方向，对所述待测水体样本进行逐层拍摄，得到多张拍摄图片；
将所述多张拍摄图片按顺序输入所述生物识别模型，得到多个输出图像；所述输出图像携带了对生物的框选标记及分类标记；所述分类标记包括可识别景深及最佳景深；
按照拍摄顺序查找同一框选标记位置的生物所在的第一拍摄图片及第二拍摄图片，所述第一拍摄图片为所述同一框选标记位置的生物处于可识别景深类别的第一张拍摄图片，所述第二拍摄图片为所述同一框选标记位置的生物处于最佳景深类别的第一张拍摄图片；
根据所述第一拍摄图片与所述第二拍摄图片的步长间距，和拍摄时的视野面积得到所述生物图像的样品体积。
7.根据权利要求1所述的方法，其特征在于，所述生物识别模型的建立步骤包括：
建立生物图像样本集；所述生物图像样本集包括多个生物样本图像，所述生物样本图像携带样本生物的框选标记及分类标记；
将所述生物图像样本集划分为训练集及检测集；
根据所述训练集对预设的轻量化模型进行训练，得到初始生物识别模型；
利用所述检测集对所述初始生物识别模型进行检验；
若通过检验，则将所述初始生物识别模型确定为所述生物识别模型。
8.根据权利要求1所述的方法，其特征在于，在所述将多个所述子图像输入生物识别模型之前，还包括：
对所述子图像进行对比度增强处理。
9.一种生物检测预警系统，其特征在于，所述系统包括：
样本采集模块，用于在目标水体中采集待测水体样本；
成像模块，用于对所述待测水体样本进行拍摄；
数据处理模块，用于获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；对各所述生物图像进行分割，得到各所述生物图像的多个子图像；将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；根据各所述子图像对应的输出子图像得到所述待测水体样本中的生物数据；
数据传输模块，用于将所述生物数据传输至服务器，以使所述服务器根据所述生物数据发布预警信息。
10.一种生物检测预警装置，其特征在于，所述装置包括：
生物图像获取模块，用于获取多张生物图像；所述多张生物图像为待测水体样本中不同层次的生物图像；
分割模块，用于对各所述生物图像进行分割，得到各所述生物图像的多个子图像；
模型识别模块，用于将各所述子图像输入生物识别模型，得到各所述子图像对应的输出子图像；所述输出子图像携带目标生物的框选标记及分类标记；
生物数据处理模块，用于根据所述输出子图像得到所述待测水体样本中的生物数据；
传输预警模块，用于将所述生物数据传输至服务器，以使所述服务器根据所述生物的数据信息发布预警信息或有害藻华预报。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
12.一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，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910717345.1A 2019-08-05 2019-08-05 生物检测预警方法、系统、装置、计算机设备和存储介质 Pending CN110766650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910717345.1A CN110766650A (zh) 2019-08-05 2019-08-05 生物检测预警方法、系统、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910717345.1A CN110766650A (zh) 2019-08-05 2019-08-05 生物检测预警方法、系统、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110766650A true CN110766650A (zh) 2020-02-07

Family

ID=69329333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910717345.1A Pending CN110766650A (zh) 2019-08-05 2019-08-05 生物检测预警方法、系统、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110766650A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462178A (zh) * 2020-03-24 2020-07-28 深圳数联天下智能科技有限公司 基于热成像的活体流向检测方法、装置、设备及存储介质
CN111476117A (zh) * 2020-03-25 2020-07-31 中建科技有限公司深圳分公司 一种安全帽佩戴检测方法、装置和终端
CN111583270A (zh) * 2020-04-10 2020-08-25 昆明理工大学 一种评价不相溶两相混合效果的方法
CN114486647A (zh) * 2021-12-31 2022-05-13 江苏丰尚智能科技有限公司 物料粒子的检测方法、装置、粒子检测装置、计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092806A (zh) * 2015-07-03 2015-11-25 黎佛林 一种硅藻生物水质监测系统
CN108507625A (zh) * 2018-06-21 2018-09-07 水利部中国科学院水工程生态研究所 一种整合物联网的水体浮游生物智能监测平台和方法
CN108596176A (zh) * 2018-05-03 2018-09-28 广东工业大学 一种对提取的硅藻区域进行硅藻类型识别方法及装置
US20190180153A1 (en) * 2015-08-14 2019-06-13 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
CN109949284A (zh) * 2019-03-12 2019-06-28 天津瑟威兰斯科技有限公司 基于深度学习卷积神经网络的水藻细胞分析方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092806A (zh) * 2015-07-03 2015-11-25 黎佛林 一种硅藻生物水质监测系统
US20190180153A1 (en) * 2015-08-14 2019-06-13 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
CN108596176A (zh) * 2018-05-03 2018-09-28 广东工业大学 一种对提取的硅藻区域进行硅藻类型识别方法及装置
CN108507625A (zh) * 2018-06-21 2018-09-07 水利部中国科学院水工程生态研究所 一种整合物联网的水体浮游生物智能监测平台和方法
CN109949284A (zh) * 2019-03-12 2019-06-28 天津瑟威兰斯科技有限公司 基于深度学习卷积神经网络的水藻细胞分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张尧旺 等: "《水质监测与评价》", 30 September 2009, 黄河水利出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462178A (zh) * 2020-03-24 2020-07-28 深圳数联天下智能科技有限公司 基于热成像的活体流向检测方法、装置、设备及存储介质
CN111462178B (zh) * 2020-03-24 2023-06-02 深圳数联天下智能科技有限公司 基于热成像的活体流向检测方法、装置、设备及存储介质
CN111476117A (zh) * 2020-03-25 2020-07-31 中建科技有限公司深圳分公司 一种安全帽佩戴检测方法、装置和终端
CN111583270A (zh) * 2020-04-10 2020-08-25 昆明理工大学 一种评价不相溶两相混合效果的方法
CN111583270B (zh) * 2020-04-10 2022-06-10 昆明理工大学 一种评价不相溶两相混合效果的方法
CN114486647A (zh) * 2021-12-31 2022-05-13 江苏丰尚智能科技有限公司 物料粒子的检测方法、装置、粒子检测装置、计算机设备

Similar Documents

Publication Publication Date Title
CN110766650A (zh) 生物检测预警方法、系统、装置、计算机设备和存储介质
CN109034078B (zh) 年龄识别模型的训练方法、年龄识别方法及相关设备
CN103503029B (zh) 检测面部特性的方法
WO2020252917A1 (zh) 一种模糊人脸图像识别方法、装置、终端设备及介质
CN111783576B (zh) 基于改进型YOLOv3网络和特征融合的行人重识别方法
CN109635634B (zh) 一种基于随机线性插值的行人再识别数据增强方法
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
US20200057886A1 (en) Gesture recognition method and apparatus, electronic device, and computer-readable storage medium
WO2021139494A1 (zh) 基于单目摄像头的动物体在线核赔方法、装置及存储介质
CN114241548A (zh) 一种基于改进YOLOv5的小目标检测算法
CN114049512A (zh) 模型蒸馏方法、目标检测方法、装置及电子设备
WO2020172870A1 (zh) 一种目标对象的移动轨迹确定方法和装置
CN109377441A (zh) 具有隐私保护功能的舌像采集方法和系统
CN109492534A (zh) 一种基于Faster RCNN的跨场景多姿态的行人检测方法
WO2021169642A1 (zh) 基于视频的眼球转向确定方法与系统
WO2022262763A1 (zh) 图像构图质量评估方法及装置
CN113706481A (zh) 精子质量检测方法、装置、计算机设备和存储介质
CN111291627B (zh) 人脸识别方法、装置及计算机设备
CN114495266A (zh) 非站立姿态检测方法、装置、计算机设备及存储介质
CN114359618A (zh) 神经网络模型的训练方法、电子设备及计算机程序产品
CN113673308A (zh) 对象识别方法、装置和电子系统
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN112329550A (zh) 基于弱监督学习的受灾建筑快速定位评估方法及装置
CN113436735A (zh) 基于人脸结构度量的体重指数预测方法、设备和存储介质
CN114998980B (zh) 一种虹膜检测方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200207

RJ01 Rejection of invention patent application after publication