CN111898677A - 一种基于深度学习的浮游生物自动检测方法 - Google Patents
一种基于深度学习的浮游生物自动检测方法 Download PDFInfo
- Publication number
- CN111898677A CN111898677A CN202010752646.0A CN202010752646A CN111898677A CN 111898677 A CN111898677 A CN 111898677A CN 202010752646 A CN202010752646 A CN 202010752646A CN 111898677 A CN111898677 A CN 111898677A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- plankton
- training
- deep learning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 3
- 238000013211 curve analysis Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 241000195493 Cryptophyta Species 0.000 description 6
- 241000227752 Chaetoceros Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052740 iodine Inorganic materials 0.000 description 3
- 239000011630 iodine Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 241000238571 Cladocera Species 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000002244 precipitate Substances 0.000 description 2
- 239000012716 precipitator Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001154287 Hucho taimen Species 0.000 description 1
- 241000200174 Noctiluca Species 0.000 description 1
- 241000200173 Noctiluca scintillans Species 0.000 description 1
- 241000471140 Trieres chinensis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本发明公开了一种基于深度学习的浮游生物自动检测方法,包括:利用采集到的样品制作浮游动植物彩色显微图像数据集;对浮游生物图像数据集进行物种鉴别和分类标注;将浮游生物图像数据集进行图像预处理;将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集;将训练数据集和验证数据集输入Faster R‑CNN检测模型中进行训练、并优化网络参数;利用训练好的检测模型对测试集中的图像进行检测;对检测模型进行评估得到各个类别的平均精度以及平均精度均值。该方法借助深度学习的强大优势,让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。
Description
技术领域
本发明涉及图像处理技术及海洋浮游生物领域,具体涉及一种基于深度学习的浮游生物自动检测方法。
背景技术
海洋生态系统是一个复杂多变的系统,海洋生物对人类具有巨大的经济和公益价值。在海洋生态系统的结构和功能中,海洋浮游生物占有极其重要的位置。海洋浮游生物是一个庞大而复杂的生态类群,主要由属初级生产力的浮游植物和属次级生产力的浮游动物组成。浮游生物的生物量、种群结构、群落多样性、地理分布及生理变化对海洋食物链结构变化、海洋物质循环的生物泵作用、生物地球化学循环影响、整个海洋生态系统结构和功能变化、甚至全球气候变化都起着重要的作用。它们也是海洋生物资源的重要组成部分,是海洋生态系统动力学的基础,具有种类多、数量大、繁殖快等特点,在海洋生态系统的物质循环和能量流动中起着极其重要的作用。
海洋浮游植物既是重要的海洋生物资源,又是赤潮等自然灾害的肇事者。赤潮是全球性的海洋环境问题之一,不仅严重破坏了海洋渔业和水产资源,甚至威胁到人类的身体健康和生命安全,对赤潮的监测同样离不开对浮游生物进行检测。随着对浮游生物在海洋生态系统变化、海洋生物地球化学和海洋环境研究中所起作用的深入认识,海洋浮游生物研究在当今海洋科学研究中已日益引起各国科学家的重视。
现有的原位观测系统,可以直接利用设备对浮游生物进行检测,但由于复杂的水下环境,原位观测系统检测精度较低,且价格昂贵;传统的依靠人工对浮游生物进行分了鉴定并计数的方法由于工作量大且冗余,并需要专业的人员进行操作,对大量的浮游生物进行检测计数是很繁重的工作,并且检测的精度随着检测时间的增加开始下降;现有的自动检测算法大多是基于传统机器学习算法,但传统的检测算法是基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余并且手工设计的特征对于多样性的变化并没有很好的鲁棒性。随着深度学习技术的发展,不用手工设计规则,深度学习可以尽可能的优化损失函数去学习规则,并尽可能的挖掘数据潜在特征。因此,一种高效,基于深度学习的检测方法亟待提出。
发明内容
根据现有技术存在的问题,本发明公开了一种基于深度学习的浮游生物自动检测方法。用以解决传统机器学习方法检测效率低,精度差的技术问题。
为实现上述目的,本申请采用以下技术方案予以实现:
一种基于深度学习的浮游生物自动检测方法,包括如下步骤:
S1:利用采集到的样品制作浮游动植物彩色显微图像数据集;
S2:对浮游生物图像数据集进行物种鉴别和分类标注;
S3:将浮游生物图像数据集进行图像预处理;
S4:将图像数据集按照6:2:2比例分为训练数据集、验证数据集和测试数据集;
S5:将训练数据集和验证数据集输入Faster R-CNN检测模型中进行训练,并优化网络参数;
S6:利用训练好的检测模型对测试集中的图像进行检测;
S7:对检测模型进行评估,得到各个类别的精度以及平均精度。
S1中具体采用如下方式:
S11:采用由底自表的浮游生物垂直拖网方法采集现场浮游生物水样,并加碘液固定;
S12:将浮游生物水样取回实验室内进行沉淀处理,摇匀后倒入圆柱形沉淀器中沉淀24小时。用虹吸管小心抽出上面不含藻类的“清液”。剩下的浓缩沉淀物转入定量瓶中;
S13:取浓缩水样分别于浮游动物和浮游植物的计数框,在显微镜下逐个视野移动和对焦得到全片的显微图像数据集。
S2中具体采用如下方式:
S21:在专业人员的指导下,对显微图像数据集中每张图片上多种浮游动植物进行分类鉴定;
S22:使用图片标注工具labelImg进行数据标注,标注后生成对应的xml文件,此文件遵循PASCAL VOC格式,其中包括此图像的文件名、路径,以及图像中浮游生物出现的位置、所属类别。
S3中具体采用如下方式:
S31:图像数据重新设置固定分辨率900×600;
S32:对图像数据进行水平镜像、垂直镜像、旋转、对比度增强等;
水平镜像:
假设原图像的高度为h,宽度为w,经过水平镜像变换后,原图像中像素点P(x0,y0)的像素变为新图像坐标P′(w-x0,y0)处的像素值。用(x0,y0)表示原图像坐标,(x1,y1)表示经水平镜像变换后图像的坐标,这两张图像的关系表示为:
逆变换为:
旋转:假设图像的左上角为(left,top),右下角为(right,bottom),则图像上任意点(x0,y0)绕其中心(xcenter,ycenter)逆时针旋转θ角度后,新的坐标位置(x′,y′)的计算公式为:
xcenter=(righ-left+1)/2+left
ycenter=(bottom-top+1)/2+top
x′=(x0-xcenter)cosθ-(y0-ycenter)sinθ+xcenter
y′=(x0-xcenter)sinθ-(y0-ycenter)cosθ+ycenter
S33:对比度增强:利用直方图均衡化进行对比度增强,计算每个通道像素级别(0-255)的累加概率,然后用累加概率乘以255代替原来的像素。
S4中具体采用如下方式:
S41:在训练集(给定超参数)上利用学习算法,训练普通参数,使得模型在训练集上的误差降低到可接受的程度;
S42:在验证集上验证网络的泛化能力,并根据模型性能对超参数进行调整;
S43:对于训练完成的神经网络,测试集用于客观的评价神经网络的性能;
S44:数据集划分比例:对于小规模样本集,使用的划分比例是训练集验证集测试集6:2:2.例如共有10000个样本,则训练集分为6000个样本,验证集为2000样本,测试集为2000样本。
S5中具体采用如下方式:
S51:输入的图片以(长×宽×高)的张量形式表征,之后馈送入预训练好的卷积神经网络,在中间层得到特征图。使用该特征图作为特征提取器并用于下一流程;
S52:本发明使用RPN网络,利用CNN计算得到的特征,寻找到预设好数量的可能包含目标的区域。
S53:在相关目标的特征图上使用感兴趣区域池化层,并将与目标相关的特征信息存入一个新的张量。利用这些信息:对边框内的内容分类(或者舍弃它,并用「背景」标记边框内容)并调整边框的坐标,使之更好地包含目标。
S7中具体采用如下方式:
S71:采用查准率Precision(P)和查全率Recall(R)来评估训练出来的检测模型的准确率,即:
式中,TP表示将正类预测为正类的个数,FP表示将负类预测为正类的个数,即误报数,FN表示将正类预测为负类数,即漏报数。
S72:PR曲线:对检测结果来讲,P越高越好,R也越高越好,但事实上这两者在某些情况下是矛盾的。需要绘制Precision-Recall曲线来帮助分析。PR曲线以Recall值为横轴,Precision值为纵轴。
S73:AP,就是平均精准度,简单来说就是对PR曲线上的Precision值求均值。对于PR曲线来说,使用积分来进行计算。
由于采用了上述技术方案,本发明提供的一种基于深度学习的浮游生物自动检测方法,具有的效果或优点是:
传统的浮游生物检测,生成大量冗余的区域提议,导致学习效率低下,容易在分类出现大量的假正样本;特征描述子都是基于低级特征进行手工设计的,难以捕捉高级语义特征和复杂内容;检测的每个步骤是独立的,缺乏一种全局的优化方案进行控制。
本发明公开的一种基于深度学习的浮游生物自动检测方法,该该方法借助深度学习的强大优势,让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。Faster R-CNN目标检测算法属于两阶段算法,是对Fast R-CNN算法的改进,使用RPN算法代替原来的选择性搜索方法产生候选框,且共享卷积,这使得候选框的数目从原有的约2000个减少为300个,且建议框的质量也有本质的提高。Faster R-CNN生成候选框仅需约10ms,足以满足端到端的实时的应用需求,可高效地对浮游生物进行检测,提高检测精度,进一步快速了解附近海域浮游生物的生物量、种群结构、群落多样性、地理分布及生理变化,进而了解海洋食物链结构变化以及海洋生态系统结构和功能变化。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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为本发明中实验总体流程图;
图2为本发明中所使用的浮游生物彩色图像数据集示意图;
图3为发明中被标注的浮游生物;
图4为发明中数据预处理后的图像数据;
图5为发明中采用的Faster R-CNN流程图;
图6为发明中测试集的检测结果;
表1为发明中各类别平均精度各类平均精度均值;
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:如图1所示的一种基于深度学习的浮游生物自动检测方法具体包括以下步骤:
S1:利用采集到的样品制作浮游动植物彩色显微图像数据集。
此次实验数据共分为6类。分别是:中华齿状藻、威利圆筛藻、夜光藻、小拟哲水蚤、角毛藻、克氏纺锤水蚤。由于一张图片上会有多个类别以及多个同类生物,每类生物的具体数量如下:中华齿状藻:146个;威利圆筛藻:520个;夜光藻:16个;小拟哲水蚤:25个;克氏纺锤水蚤:51个;角毛藻:6个。如图2所示,图2(a)所示为中华齿状藻,图2(b)所示为威利圆筛藻,图2(c)所示为夜光藻,图2(d)所示为克氏纺锤水蚤,图2(e)所示为小拟哲水蚤,图2(f)所示为角毛藻。
S11:采用由底至表的浮游生物垂直拖网方法采集现场浮游生物水样,并加碘液固定;
S12:将浮游生物水样取回实验室内进行沉淀处理,摇匀后倒入圆柱形沉淀器中沉淀24小时。用虹吸管小心抽出上面不含藻类的“清液”。剩下的浓缩沉淀物转入定量瓶中;
S13:取浓缩水样分别于浮游动物和浮游植物的计数框,在显微镜下逐个视野移动和对焦得到全片的显微图像数据集;
S2:对浮游生物图像数据集进行物种鉴别和分类标注。图3显示了带有边框的图像。可以看出,图像中的物体被一个黄色的包围框紧紧地包围着。
S21:在专业人员的指导下,对显微图像数据集中每张图片上多种浮游动植物进行分类鉴定;
S22:使用图片标注工具labelImg进行数据标注,标注后生成对应的xml文件,此文件遵循PASCAL VOC格式,其中包括此图像的文件名、路径,以及图像中浮游生物出现的位置、所属类别;
S3:将浮游生物图像数据集进行图像预处理。如图4所示,其中图4(a)所示为原图,图4(b)所示为水平镜像得到的图片,图4(c)所示为垂直镜像后得到的图片,图4(d)所示为旋转90°得到的图片,图4(e)所示为直方图均衡化得到的图片。
S31:图像数据重新设置固定分辨率900×600;
S32:对图像数据进行水平镜像、垂直镜像、旋转、对比度增强等;
水平镜像:
假设原图像的高度为h,宽度为w,经过水平镜像变换后,原图像中像素点P(x0,y0)的像素变为新图像坐标P′(w-x0,y0)处的像素值。用(x0,y0)表示原图像坐标,(x1,y1)表示经水平镜像变换后图像的坐标,这两张图像的关系表示为:
逆变换为:
旋转:假设图像的左上角为(left,top),右下角为(right,bottom),则图像上任意点(x0,y0)绕其中心(xcenter,ycenter)逆时针旋转θ角度后,新的坐标位置(x′,y′)的计算公式为:
xcenter=(righ-left+1)/2+left
ycenter=(bottom-top+1)/2+top
x′=(x0-xcenter)cosθ-(y0-ycenter)sinθ+xcenter
y′=(x0-xcenter)sinθ-(y0-ycenter)cosθ+ycenter
S33:对比度增强:利用直方图均衡化进行对比度增强,计算每个通道像素级别(0-255)的累加概率,然后用累加概率乘以255代替原来的像素。
S4:将图像数据集按照6:2:2比例分为训练数据集、验证数据集和测试数据集;
S41:在训练集(给定超参数)上利用学习算法,训练普通参数,使得模型在训练集上的误差降低到可接受的程度;
S42:在验证集上验证网络的泛化能力,并根据模型性能对超参数进行调整;
S43:对于训练完成的神经网络,测试集用于客观的评价神经网络的性能;
S44:数据集划分比例:对于小规模样本集,使用的划分比例是训练集验证集测试集6:2:2.例如共有10000个样本,则训练集分为6000个样本,验证集为2000样本,测试集为2000样本。
S5:将训练数据集和验证数据集输入Faster R-CNN目标检测算法中进行训练,并优化网络参数。整体流程如图5所示:
S51:输入的图片以(长×宽×高)的张量形式表征,之后馈送入预训练好的卷积神经网络,在中间层得到特征图。使用该特征图作为特征提取器并用于下一流程;
S52:本发明使用区域建议网络RPN,利用CNN计算得到的特征,去寻找到预设好数量的可能包含目标的区域。
S53:在相关目标的特征图上使用感兴趣区域池化层,并将与目标相关的特征信息存入一个新的张量。利用这些信息:对边框内的内容分类(或者舍弃它,并用「背景」标记边框内容)并调整边框的坐标,使之更好地包含目标。
在训练中,学习率为0.001,batch_size大小为128,最大迭代次数为70000次,每训练3500次保存一次模型,大约12个小时后训练得到最终训练70000次的模型。
S6:利用训练好的检测模型对测试集中的图像进行检测。图6(a)展示了威利圆筛藻的检测结果、图6(b)展示了中华齿状藻的检测结果、图6(c)展示了夜光藻的检测结果、图6(d)展示了克氏纺锤水蚤的检测结果、图6(e)展示了小拟哲水蚤的检测结果。
S7:对检测模型进行评估,得到各个类别的精度以及平均精度。最终得到的精度如表1所示。
表1各类别平均精度各类平均精度均值
S71:采用查准率Precision(P)和查全率Recall(R)来评估训练出来的检测模型的准确率,即:
式中,TP表示将正类预测为正类的个数,FP表示将负类预测为正类的个数,即误报数,FN表示将正类预测为负类数,即漏报数。
S72:PR曲线:对检测结果来讲,P越高越好,R也越高越好,但事实上这两者在某些情况下是矛盾的。需要绘制Precision-Recall曲线来帮助分析。PR曲线以Recall值为横轴,Precision值为纵轴。
S73:AP就是平均精准度,简单来说就是对PR曲线上的Precision值求均值。对于PR曲线来说,使用积分来进行计算。
实验测得的平均精准度AP如表1所示:可以看到,除角毛藻以外,其他每类别的AP都在在85%以上,角毛藻平均精度较低因为样品量过少,但各类平均精度均值mAP超过90%。因此,深度学习在浮游动植物识别上的应用取得了不错的效果。
本申请的上述实施例中,通过提供一种基于深度学习的浮游生物自动检测方法,包括:采用浮游生物拖网采集现场获取浮游生物水样,并加碘液固定,在显微镜下得到图像数据;采集到的浮游生物数据进行标注;对图像数据进行水平镜像,垂直镜像、对比度增强等图像预处理操作;将图像数据集按照6:2:2比例划为训练集、验证集、测试集;数据准备完成后,利用Faster R-CNN目标检测算法进行训练;利用训练好的检测模型对测试集中的图像进行检测;利用测试集对训练出来的检测模型进行评估,得到各个类别的平均精度以及各类平均精度均值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的浮游生物自动检测方法,其特征在于包括:
利用采集到的样品制作浮游动植物彩色显微图像数据集;
对浮游生物图像数据集进行物种鉴别和分类标注;
将浮游生物图像数据集进行图像预处理;
将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集;
将训练数据集和验证数据集输入Faster R-CNN检测模型中进行训练、并优化网络参数;
利用训练好的检测模型对测试集中的图像进行检测;
对检测模型进行评估得到各个类别的平均精度以及平均精度均值。
2.根据权利要求1所述的基于深度学习的浮游生物自动检测方法,其特征还在于:对浮游生物图像数据集进行如下预处理:
将图像数据重新设置固定分辨率为900×600;
对图像数据进行水平镜像、垂直镜像、旋转和对比度增强处理;
所述水平镜像采用如下方式:
假设原图像的高度为h,宽度为w,经过水平镜像变换后,原图像中像素点P(x0,y0)的像素变为新图像坐标P′(w-x0,y0)处的像素值,用(x0,y0)表示原图像坐标,(x1,y1)表示经水平镜像变换后图像的坐标,则这两张图像的关系表示为:
逆变换为:
所述旋转采用如下方式:假设图像的左上角为(left,top),右下角为(right,bottom),则图像上任意点(x0,y0)绕其中心(xcenter,ycenter)逆时针旋转θ角度后,新的坐标位置(x′,y′)的计算公式为:
xcenter=(righ-left+1)/2+left
ycenter=(bottom-top+1)/2+top
x′=(x0-xcenter)cosθ-(y0-ycenter)sinθ+xcenter
y′=(x0-xcenter)sinθ-(y0-ycenter)cosθ+ycenter
对比度增强采用如下方式:
利用直方图均衡化进行对比度增强,计算每个通道像素级别(0-255)的累加概率,然后用累加概率乘以255代替原来的像素。
3.根据权利要求1所述的基于深度学习的浮游生物自动检测方法,其特征还在于:对检测模型进行训练时:
将输入的图片以长×宽×高的张量形式表征并输入至已在大型图像分类任务上训练好的预训练网络中、提取输入图片的特征图,将该特征图用于区域建议网络和全连接层;
将RPN网络用于生成区域提议:首先生成锚框,对该锚框进行裁剪过滤后判断锚框属于前景还是后景,同时对所得到的锚框进行修正形成精确的区域提议;
利用RPN网络生成的区域提议和特征图得到固定大小的区域特征图,将区域特征图输入至全连接层进行目标识别和定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752646.0A CN111898677A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的浮游生物自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752646.0A CN111898677A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的浮游生物自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898677A true CN111898677A (zh) | 2020-11-06 |
Family
ID=73182675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010752646.0A Pending CN111898677A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的浮游生物自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898677A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633319A (zh) * | 2020-11-23 | 2021-04-09 | 贵州大学 | 一种不完备数据集中平衡输入数据类别多目标检测方法 |
WO2023065505A1 (zh) * | 2021-10-18 | 2023-04-27 | 深圳先进技术研究院 | 一种浮游生物原位观测的图像预处理方法及系统 |
WO2023134399A1 (zh) * | 2022-01-14 | 2023-07-20 | 中国科学院深圳先进技术研究院 | 一种浮游植物检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
KR101743270B1 (ko) * | 2017-03-08 | 2017-06-05 | (주)나인정보시스템 | 다수의 플랑크톤이 응집 혹은 산재해 있는 현미경 영상에서 딥러닝을 이용하여 개개 플랑크톤을 분리 및 인식하는 방법 |
CN109190640A (zh) * | 2018-08-20 | 2019-01-11 | 贵州省生物研究所 | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 |
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 |
CN111462058A (zh) * | 2020-03-24 | 2020-07-28 | 华南农业大学 | 一种水稻有效穗快速检测方法 |
-
2020
- 2020-07-30 CN CN202010752646.0A patent/CN111898677A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
KR101743270B1 (ko) * | 2017-03-08 | 2017-06-05 | (주)나인정보시스템 | 다수의 플랑크톤이 응집 혹은 산재해 있는 현미경 영상에서 딥러닝을 이용하여 개개 플랑크톤을 분리 및 인식하는 방법 |
CN109190640A (zh) * | 2018-08-20 | 2019-01-11 | 贵州省生物研究所 | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 |
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 |
CN111462058A (zh) * | 2020-03-24 | 2020-07-28 | 华南农业大学 | 一种水稻有效穗快速检测方法 |
Non-Patent Citations (1)
Title |
---|
谢娟英 等: "蝴蝶种类自动识别研究", 计算机研究与发展, vol. 55, no. 8, 15 August 2018 (2018-08-15), pages 1609 - 1618 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633319A (zh) * | 2020-11-23 | 2021-04-09 | 贵州大学 | 一种不完备数据集中平衡输入数据类别多目标检测方法 |
WO2023065505A1 (zh) * | 2021-10-18 | 2023-04-27 | 深圳先进技术研究院 | 一种浮游生物原位观测的图像预处理方法及系统 |
WO2023134399A1 (zh) * | 2022-01-14 | 2023-07-20 | 中国科学院深圳先进技术研究院 | 一种浮游植物检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN111898677A (zh) | 一种基于深度学习的浮游生物自动检测方法 | |
CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN107169556A (zh) | 基于深度学习的干细胞自动计数方法 | |
CN105488456B (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN111507227B (zh) | 基于深度学习的多学生个体分割及状态自主识别方法 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
Zhang et al. | A precise apple leaf diseases detection using BCTNet under unconstrained environments | |
Qiu et al. | Underwater sea cucumbers detection based on pruned SSD | |
Cao et al. | Learning-based low-illumination image enhancer for underwater live crab detection | |
CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 | |
Wang et al. | Status prediction by 3d fractal net Cnn based on remote sensing images | |
Lestari et al. | Segmentation of seagrass (Enhalus acoroides) using deep learning mask R-CNN algorithm | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
Yuan et al. | MAgic: A Morphable Attention Based Algal Tiny Object Detection Model | |
Murthi et al. | A semi-automated system for smart harvesting of tea leaves | |
Arinichev et al. | A Neural Network-Based Approach to Multiple Wheat Disease Recognition | |
Thevarasa et al. | Weighted Ensemble Algorithm for Aerial Imaging Based Mosquito Breeding Sites Classification | |
Li et al. | A Deep Learning based Method for Microscopic Object Localization and Classification | |
Sahuri | Implementation of Deep Learning Methods in Detecting Disease on Chili Leaf |
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 |