CN111274935A - 一种基于深度学习的水生态信息识别方法及系统 - Google Patents
一种基于深度学习的水生态信息识别方法及系统 Download PDFInfo
- Publication number
- CN111274935A CN111274935A CN202010059295.5A CN202010059295A CN111274935A CN 111274935 A CN111274935 A CN 111274935A CN 202010059295 A CN202010059295 A CN 202010059295A CN 111274935 A CN111274935 A CN 111274935A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- information
- deep learning
- subject matter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000003709 image segmentation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 241000195493 Cryptophyta Species 0.000 description 23
- 230000003595 spectral effect Effects 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000195663 Scenedesmus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
Abstract
本发明涉及环境技术领域,具体涉及一种基于深度学习的水生态信息识别方法。包括对环境信息进行采集得到第一环境图像;对第一环境图像进行信息提取得到第二环境图像;将第二环境图像输入到模型中确定是否有标的物,其中模型为使用多组数据通过机器深度学习训练得到,多组数据包括第一类数据和第二类数据,第一类数据中的每组数据均包括:包括标的物的图像和标识该图像包括标的物的标签;第二类数据中的每组数据均包括:不包括标的物的图像和标识该图像不包括标的物的标签;获取模型的输出信息,在所述第二环境图像有标的物的情况下输出所述标的物信息。其次,本发明还提供了一种基于深度学习的水生态信息识别系统。本发明可以快速准确的对标的物信息进行识别。
Description
技术领域:
本发明涉及环境技术领域,具体涉及一种基于深度学习的水生态信息识别方法及系统。
背景技术:
随着人工智能技术的发展,在各个行业的很多领域深度学习扮演着越来越重要的角色,深度学习是学习样本数据的内在规律和表示层次,在这些学习过程中通过对获得的信息对诸如文字、图像和声音等数据进行总结归纳;它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。随着环境和生态意识的增强,人类越来越多地关注水生态风险和生态系统健康问题,生物多样性与生态系统功能的关系成为生态学领域内一个重大科学问题。近年来,大量工业废水、农田灌溉和生活污水排入江中,从而使得江河湖海近岸的营养盐大量富集、超标,造成水体富营养化,浮游藻类与水污染密切相关。例如水生浮游藻类是指一群在水中以浮游方式生活,能进行光合作用的自养型微生物,个体大小一般在2-200,其种类繁多,由于它们是水体中重要的有机物质制造者,故在整个水体生态系统中占有举足轻重的作用。为了全方位掌握水体水质情况,必须对浮游藻类进行监测,并且浮游藻类监测已经成为了水体监测必不可少的项目,通过人工的方式进行统计不仅费时费力、而且准确度低。
有鉴于此,提出本发明。
发明内容:
本发明提供一种可以从复杂背景如噪声、碎屑、目标的交叉重叠等识别图像、影像中的目标物,进而输出识别结果的基于深度学习的水生态信息识别方法及系统。
本发明保护一种基于深度学习的水生态信息识别方法,包括:
对环境信息进行采集得到第一环境图像;
对所述第一环境图像进行信息提取得到第二环境图像;
将所述第二环境图像输入到模型中确定是否有标的物,其中所述模型为使用多组数据通过机器学习训练得到,所述多组数据包括第一类数据和第二类数据,所述第一类数据中的每组数据均包括:包括标的物的图像和标识该图像包括标的物的标签;所述第二类数据中的每组数据均包括:不包括标的物的图像和标识该图像不包括标的物的标签。
获取所述模型的输出信息,在所述第二环境图像有标的物的情况下输出所述标的物信息。
采用上述方案,对于微生物可以通过在水域、湖泊等地采集水样,然后经所述水样置于显微镜下进行识别拍摄得到第一环境图像;对于体积较大的生物可以采用照相机、摄像机等拍摄装置进行拍摄得到第一环境图像,然而所述第一环境图像不能满足机器识别要求,需要对其进行信息提取的处理以满足机器识别要求;所述模型为经过大量多组数据得到,将所述第二环境图像输入到模型进行对比,可以判端第二环境图像是否含有标的物;当含有标的物时,可以输出有关标的物的具体信息。
进一步地,对所述第一环境图像进行信息提取得到第二环境图像步骤包括:对所述第一环境图像进行图像分割生成分割单元,对所述分割单元建立分类规则,获取所述第二环境图像。
采用上述方案,通过将第一环境图像的不同分割单元进行精细度的划分、归类,以达到满足识别要求的第二环境图像。
具体地,对所述第一环境图像进行图像分割生成分割单元步骤包括:获取基准像元和与所述基准像元相邻的邻近像元,对所述基准像元和邻近像元进行联合计算生成分割单元。
采用上述方案,通过首先确定基准像元,再将基准像元与邻近像元合并生成新的基准像元的方式生成异质性低的分割单元。
具体地,对所述分割单元建立分类规则步骤包括:对所述分割单元提取空间特征值,通过对所述空间特征值进行计算建立所述分类规则。
采用上述方案,通过所述分类规则对不同类的分割单元进行分类,可以得到所需的第二环境图像。
进一步地,所述模型为使用多组数据通过机器深度学习训练得到的步骤包括:对所述多组数据进行卷积运算,得到卷积神经层,对所述卷积神经层进行函数处理,对经函数处理的数据进行池化,对所述池化后的数据进行增加对比度;对所述卷积神经层进行函数处理包括采用Sigmoid函数进行处理;对所述卷积神经层进行函数处理还可以采用tanh函数进行处理。
采用上述方案,所述模型可以为所述第二环境的图像识别提供参考依据。
进一步地,所述第一类数据中的每组数据还包括所述标的物的属性信息。
采用上述方案,所述第一类数据除了包含是否含有所述标的物的信息和标签之外,还包括所述标的物的属性信息,所述属性信息可以是标的物的种类、功能作用、生态特征等,通过所述属性信息的输入,可以使所述模型构建的更加丰富,从而满足分析、预测的多种需要。
进一步地,在所述第二环境图像含有所述标的物的情况下输出所述标的物信息包括:输出所述标的物的细分种类、标的物规格、标的物说明中的至少一种。
采用上述方案,当被识别的所述第二环境图像中含有标的物时,还可以根据深度学习中得到的模型进行匹配,对标的物的种类、规格、以及说明介绍等进行输出,从而可以使人们更加高效直观的作出决定判断。
优选地,所述标的物说明包括:所述标的物的显微镜影像说明。
采用上述方案,所述标的物的还可以以显微镜影像的形式输出,从而使人们更加直观的对标的物进行认知。
本发明还保护一种应用所述基于深度学习的水生态信息识别方法的系统,其特征在于,包括:
显微镜拍摄单元,所述显微镜拍摄单元用于获取所述第一环境图像;
图像处理单元,所述图像处理单元用于对所述第一环境图像进行信息提取获取第二环境图像。
筛选单元,所述筛选单元用于对所述第二环境图像与所述模型进行匹配,以筛选出含有所述标的物的第二环境图像。
输出单元,所述输出单元用于对经筛选后的第二环境图像进行信息输出。
本发明的有益效果是:所述第二环境图像可以为信息识别提供符合条件的图像,从而可以准确的对标的物进行识别;所述分割单元的生成和分类规则的建立可以为获取第二环境图像提供依据;所述空间特征值可以为建立分类规则提供依据;对所述多组数据进行卷积运算、函数处理、池化、增加对比度的过程可以获得更加准确的模型。
附图说明:
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明流程图;
图2为本发明图像卷积过程示意图;
图3为为本发明第一类数据中一种藻类示意图;
图4为为本发明第一类数据中另一种藻类示意图;
图5为本发明一种藻类第二环境图像示意图;
图6为本发明另一种藻类第二环境图像示意图。
具体实施方式:
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本实施方式以对标的物为藻类的识别方法为例进行说明,但所述方法并不仅限于应用到藻类的识别中。
本发明保护一种基于深度学习的水生态信息识别方法,包括:
对环境信息进行采集得到第一环境图像;
对所述第一环境图像进行信息提取得到第二环境图像;
将所述第二环境图像输入到模型中确定是否有标的物,其中所述模型为使用多组数据通过机器学习训练得到,所述多组数据包括第一类数据和第二类数据,所述第一类数据中的每组数据均包括:包括标的物的图像和标识该图像包括标的物的标签;所述第二类数据中的每组数据均包括:不包括标的物的图像和标识该图像不包括标的物的标签。
获取所述模型的输出信息,在所述第二环境图像有标的物的情况下输出所述标的物信息。
采用上述方案,提供了一种基于深度学习的水生态信息识别方法,对于微生物可以通过在水域、湖泊等地采集水样,然后经所述水样置于显微镜下进行识别拍摄得到第一环境图像;对于体积较大的生物可以采用照相机、摄像机等拍摄装置进行拍摄得到第一环境图像,第一环境图像可以采用人工拍摄或者无人机航拍等;由于第一环境图像为实际拍摄图像,其清晰度和分辨率不能满足机器学习训练的要求,因此需要对所述第一环境图像进行信息提取得到可以通过机器进行识别的第二环境图像;在对图像识别过程中需要建立模型才能对图像进行判定,而模型的建立有赖于通过机器学习训练得到,也就是需要对所述大量第一类数据和所述第二类数据进行学习训练,通过判断哪些图像含有藻类和哪些不含有藻类来构建含有藻类的模型,所述标签的作用是用来标记,不同的标签可以采用不同的颜色或者形状等;当所述第二环境图像包含有藻类时,输出所述藻类的相关信息,当不含有藻类时,不会输出相关信息。
对所述第一环境图像进行信息提取得到第二环境图像包括:对所述第一环境图像进行图像分割生成分割单元,对所述分割单元建立分类规则,获取所述第二环境图像。
采用上述方案,基于对象的信息提取包括图像分割和图像分类;图像分割主要把所述第一环境图像分割成对象内部属性特征相对均一、相邻对象之间特征差别较大的一系列分割单元;图像分类是依据分割单元体现出来的属性特征,进行单元特征量化和组合,建立特征向量,将分割单元按照不同的类别提取出来。图像分割的实质是将第一环境图像划分成相同特性的区域的过程。对于越来越多的高分辨率图像数据来说图像分割是非常关键的,图像分割的质量直接影响第一环境问题图像的分类结果。第一环境图像分类是基于图像对象的,这些对象是可以看做是具有一定属性的地物目标,为后续的高分辨率影像信息提取与地物分类提供可靠的保障。在对分割单元进行分类过程中,分类方法的选取和对象特征的选择决定着分类效率和精度。
比如,所述第一环境图像包含水、藻类和鱼,通过图像分割和图像分类可以分别将前述三类不同的图像分割开来。
对所述第一环境图像进行图像分割生成分割单元包括:获取基准像元和与所述基准像元相邻的邻近像元,对所述基准像元和邻近像元进行联合计算生成分割单元。
采用上述方案,像元亦称像素点或像元点,即影像单元是组成数字化影像的最小单元;所述联合计算的目的是降低最终结果的异质性,先将首先获得的基准像元与邻近像元进行第一轮合并,当第一轮合并结束后,以上一轮生成的对象为基本单元,继续分别与它的相邻对象进行计算,这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并止。这种异质性是由两个对象的光谱和形状差异决定的,这种差异性度量准则的计算公式为:
f=w1*x+(1-w1)*y,其中式中,w1为权值,0≤w1≤1;x为光谱异质性;y为形状异质性;x与y的计算采用:
y=w2*u+(1-w2)*v
其中,σi为第i图像层光谱值的标准差;pi为第i图像层的权;u为图像区域整体紧密度;v为图像区域边界平滑度;w2为权值,0≤w2≤1。u,v的计算式为:
v=E/L
其中,E为图像区域实际的边界长度;N为图像区域的像元总数;L为包含图像区域范围的矩形边界总长度。
当合并相邻的两个小影像区域时,合并新生成的更大影像区域的异质性f′计算式为:
f′=w1*x′+(1-w1)*y′
式中,x′,y′分别为合并新生成的更大图像区域的光谱异质性和形状异质性:
y′=w2u′+(1-w2)v′
式中,N1,σ′i分别为合并新生成的更大影像区域的像元总数和其所在i影像层光谱值的标准差;N1,分别为合并前相邻影像区域的像元总数和其所在i影像层光谱值的标准差;N2,分别为合并前相邻影像区域的像元总数和其所在i影像层光谱值的标准差。u′和v′的计算分别为:
式中,E′,L′分别为合并新生成的更大影像区域的实际边界长度和包含该新生成影像区域范围的矩形边界总长度;E1,L1分别为合并前的相邻影像区域1的实际边界长度和包含该影像区域范围的矩形边界总长度;E2,L2分别为合并前的相邻影像区域2的实际边界长度和包含该影像区域范围的矩形边界总长度。
对所述分割单元建立分类规则包括:对所述分割单元提取空间特征值,通过对所述空间特征值进行计算建立所述分类规则。
采用上述方案,所述空间特征值可以包括光谱特征、形状特征、纹理特征之间的任意一种或几种。所述对象光谱特征主要通过均值、方差、亮度等特征值来衡量;形状特征是描述所述分割单元在形状方面的信息,提取分割单元形状特征的基础是对分割后影像进行矢量化,根据矢量化边界对影像对象的形状特征进行提取;纹理特征是全局特征,描述了所述分割单元所对应地物的表面性质,它是通过灰度共生矩阵统计影像对象区域内的像素点值来反应影像对象内部灰度级之间空间分布状况和空间关系;可以根据所述分割单元的特点,将上述特征组成一个特征向量,组合的特征向量可以看做是对光谱、形状、纹理的一种综合全面的描述,进一步用来面向对象分类。
参考图3、4所示,为本发明所拍摄含有藻类的第一环境图像经信息提取后得到的第二环境图像,可以从复杂背景比如噪声、碎屑、目标的交叉重叠等识别图像、影像中的目标物。
参考图2所示,所述模型为使用多组数据通过机器深度学习训练得到的步骤包括:对所述多组数据进行卷积运算,得到卷积神经层,对所述卷积神经层进行函数处理,对经函数处理的数据进行池化,对所述池化后的数据进行增加对比度。
采用上述方案,所述卷积运算是对所述标的物图像的每个点进行卷积运算,卷积核作为训练参数,经过几次处理之后,能够提取出图像的“特征值”。一般而言,卷积神经层中,卷积核越大,对图像“抽象”的效果越好,但需要训练的参数就越多;卷积核越小,越能够精细地处理图像,但需要更多的层数来达到同样的“抽象”效果;在卷积神经网络中,每个卷积神经层之后可以采用ReLU(RectifiedLinearUnits)进行处理,所述ReLU线性整流函数,使用ReLU能够减少训练时间,提高算法性能,所述ReLU线性整流函数可以采用g(y)=max(0,y),其中为y为神经元的输入;输入标的物图像经过卷积神经层和ReLU处理之后,图像中的每个像素点都包含了周围一小块区域的信息,造成了信息冗余。如果继续使用包含了冗余信息的图像,不仅会降低算法性能,还会破坏算法的平移不变性。为了提高算法的性能和鲁棒性,对图像进行二次采样。在深度卷积网络中,这样的操作又叫做池化,即将图像分成多个块状的区域,对每个区域计算出一个值,然后将计算出的值依次排列,输出为新的图像。如果划分的区域之间互不重叠,这样的算法被称作非重叠型池化,否则称为重叠性池化。对每个区域计算输出的方法也分为两种:求平均值或者取最大值。所述增加对比度需要一个计算“平均值”的算法,然后按照一定的规则对图像的每个像素进行调整增加对比度,使得图像的主体部分能够和背景更加具有区分度。可以选用局部相应归一化(LocalResponse Normalization)算法,选择通道内空间区域归一化,局部区域在空间上扩展,每个输入值都将除以(1+(α/n)∑ix2 i)β,其中,α为缩放因子,默认值为1,β为指数项,默认值为5,n为局部尺寸大小,默认值为5,完成一种“临近抑制”操作,有效地提高主题部分与其他部分的区分度。通过所述深度学习过程得到训练模型,可以快速、准确的识别出对应的藻类。
对所述卷积神经层进行函数处理包括采用Sigmoid函数进行处理,所述Sigmoid函数为f(x)=1/(1+exp(-1)).g’(x)=(1-g(x))g(x),所述变量x取值范围为0-1。
采用上述方案,Sigmoid函数也称S生长曲线,机器学习中一个重要的预测模型逻辑回归(Logistic Regression)模型,简称LR模型,就是基于Sigmoid函数实现的。LR模型的主要任务是给定一些历史的{X,Y},其中X是样本n个特征值,Y的取值是{0,1}代表正例与负例,通过对这些历史样本的学习,从而得到一个数学模型,给定一个新的X,能够预测出Y。LR模型是一个二分类模型,即对于一个X,预测其发生或不发生。但事实上,对于一个事件发生的情况,往往不能得到100%的预测,因此LR可以得到一个事件发生的可能性,超过50%则认为事件发生,低于50%则认为事件不发生,从LR的目的上来看,在选择函数时,需要满足取值范围在0-1之间以及对于一个事件发生情况,50%是其结果的分水岭,选择函数应该在0.5中心对称,Sigmoid很好的符合了LR的需求。
对所述卷积神经层进行函数处理还可以采用tanh函数进行处理。
采用上述方案,所述tanh函数为双曲函数,
所述第一类数据中的每组数据还包括所述标的物的属性信息。
采用上述方案,所述第一类数据除了包含是否含有所述藻类的信息和标签之外,还包括所述标的物的属性信息,所述属性信息可以是藻类的种类、功能作用、生态特征等,通过所述属性信息的输入,可以使所述模型构建的更加丰富,从而满足分析、预测的多种需要。
在所述第二环境图像含有所述标的物的情况下输出所述标的物信息包括:输出所述标的物的细分种类、标的物规格、标的物说明中的至少一种。
采用上述方案,当被识别的所述第二环境图像中含有藻类时,还可以根据深度学习中得到的模型进行匹配,对藻类的种类、规格、以及说明介绍等进行输出,从而可以使人们更加高效直观的作出决定判断。
参考图5、图6所示,所述标的物说明包括:所述标的物的显微镜影像说明。
采用上述方案,所述藻类的还可以以显微镜影像的形式输出,从而使人们更加直观的对藻类进行认知,lan4表示四尾栅藻种类,图中的数字例如0.998、0.978等表示识别的精度。
本发明还保护一种应用所述基于深度学习的水生态信息识别方法的系统,其特征在于,包括:
显微镜拍摄单元,所述显微镜拍摄单元用于获取所述第一环境图像;
图像处理单元,所述图像处理单元用于对所述第一环境图像进行信息提取获取第二环境图像。
筛选单元,所述筛选单元用于对所述第二环境图像与所述模型进行匹配,以筛选出含有所述标的物的第二环境图像。
输出单元,所述输出单元用于对经筛选后的第二环境图像进行信息输出。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
应当理解,本申请实施例中,从权、各个实施例、特征可以互相组合结合,都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围,对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的水生态信息识别方法,其特征在于,包括:
对环境信息进行采集得到第一环境图像;
对所述第一环境图像进行信息提取得到第二环境图像;
将所述第二环境图像输入到模型中确定是否有标的物,其中所述模型为使用多组数据通过机器深度学习训练得到,所述多组数据包括第一类数据和第二类数据,所述第一类数据中的每组数据均包括:包括标的物的图像和标识该图像包括标的物的标签;所述第二类数据中的每组数据均包括:不包括标的物的图像和标识该图像不包括标的物的标签;
获取所述模型的输出信息,在所述第二环境图像有标的物的情况下输出所述标的物信息。
2.根据权利要求1所述的基于深度学习的水生态信息识别方法,其特征在于,对所述第一环境图像进行信息提取得到第二环境图像步骤,包括:对所述第一环境图像进行图像分割生成分割单元,对所述分割单元建立分类规则,获取所述第二环境图像。
3.根据权利要求2所述的基于深度学习的水生态信息识别方法,其特征在于,对所述第一环境图像进行图像分割生成分割单元步骤,包括:获取基准像元和与所述基准像元相邻的邻近像元,对所述基准像元和邻近像元进行联合计算生成分割单元。
4.根据权利要求3所述的基于深度学习的水生态信息识别方法,其特征在于,对所述分割单元建立分类规则步骤,包括:对所述分割单元提取空间特征值,通过对所述空间特征值进行计算建立所述分类规则。
5.根据权利要求4所述的基于深度学习的水生态信息识别方法,其特征在于,所述模型为使用多组数据通过机器深度学习训练得到的步骤包括:对所述多组数据进行卷积运算,得到卷积神经层,对所述卷积神经层进行函数处理,对经函数处理的数据进行池化,对所述池化后的数据进行增加对比度。
6.根据权利要求5所述的基于深度学习的水生态信息识别方法,其特征在于,对所述卷积神经层进行函数处理包括:采用sigmoid函数进行处理,所述sigmoid函数为f(x)=1/(1+exp(-1)).g’(x)=(1-g(x))g(x),所述变量x取值范围为0-1。
7.根据权利要求6所述的基于深度学习的水生态信息识别方法,其特征在于,所述第一类数据中的每组数据还包括所述标的物的属性信息。
8.根据权利要求7所述的基于深度学习的水生态信息识别方法,其特征在于,在所述第二环境图像含有所述标的物的情况下输出所述标的物信息包括:输出所述标的物的细分种类、标的物规格、标的物说明中的至少一种。
9.根据权利要求8所述的基于深度学习的水生态信息识别方法,其特征在于,所述标的物说明包括:所述标的物的显微镜影像说明。
10.一种应用所述基于深度学习的水生态信息识别方法的系统,其特征在于,包括:
显微镜拍摄单元,所述显微镜拍摄单元用于获取所述第一环境图像;
图像处理单元,所述图像处理单元用于对所述第一环境图像进行信息提取获取第二环境图像。
筛选单元,所述筛选单元用于对所述第二环境图像与所述模型进行匹配,以筛选出含有所述标的物的第二环境图像。
输出单元,所述输出单元用于对经筛选后的第二环境图像进行信息输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059295.5A CN111274935A (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的水生态信息识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059295.5A CN111274935A (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的水生态信息识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111274935A true CN111274935A (zh) | 2020-06-12 |
Family
ID=71003096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059295.5A Pending CN111274935A (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的水生态信息识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274935A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07225193A (ja) * | 1994-02-10 | 1995-08-22 | Sony Corp | 表面検査装置及び表面検査方法 |
WO2000062554A1 (en) * | 1999-04-08 | 2000-10-19 | Matsushita Electric Industrial Co., Ltd. | Image processing method and image processing device |
JP2005114589A (ja) * | 2003-10-09 | 2005-04-28 | Mitsubishi Electric Corp | レーダ画像処理装置 |
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
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 |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
-
2020
- 2020-01-19 CN CN202010059295.5A patent/CN111274935A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07225193A (ja) * | 1994-02-10 | 1995-08-22 | Sony Corp | 表面検査装置及び表面検査方法 |
WO2000062554A1 (en) * | 1999-04-08 | 2000-10-19 | Matsushita Electric Industrial Co., Ltd. | Image processing method and image processing device |
JP2005114589A (ja) * | 2003-10-09 | 2005-04-28 | Mitsubishi Electric Corp | レーダ画像処理装置 |
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
Mathur et al. | Crosspooled FishNet: transfer learning based fish species classification model | |
EP1912161A2 (en) | Method and apparatus for automatic image categorization | |
CN109522925B (zh) | 一种图像识别方法、装置和存储介质 | |
Siraj et al. | Digital image classification for malaysian blooming flower | |
Herdiyeni et al. | Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram | |
CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN112017192A (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
Li et al. | Recent advances of machine vision technology in fish classification | |
Liang et al. | Environmental microorganism classification using optimized deep learning model | |
Salem et al. | Semantic image inpainting using self-learning encoder-decoder and adversarial loss | |
Luan et al. | Sunflower seed sorting based on convolutional neural network | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
Defriani et al. | Recognition of Regional Traditional House in Indonesia Using Convolutional Neural Network (CNN) Method | |
Li et al. | A concatenating framework of shortcut convolutional neural networks | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
Prasenan et al. | Fish species classification using a collaborative technique of firefly algorithm and neural network | |
CN115100509B (zh) | 基于多分支块级注意力增强网络的图像识别方法及系统 | |
Deepan et al. | Comparative analysis of scene classification methods for remotely sensed images using various convolutional neural network | |
Peng et al. | Fully convolutional neural networks for tissue histopathology image classification and segmentation | |
Vijayalakshmi K et al. | Copy-paste forgery detection using deep learning with error level analysis | |
CN108460772B (zh) | 基于卷积神经网络的广告骚扰传真图像检测系统及方法 |
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 |