CN112949632A - 一种珊瑚礁白化自动识别方法及系统 - Google Patents
一种珊瑚礁白化自动识别方法及系统 Download PDFInfo
- Publication number
- CN112949632A CN112949632A CN202110243076.7A CN202110243076A CN112949632A CN 112949632 A CN112949632 A CN 112949632A CN 202110243076 A CN202110243076 A CN 202110243076A CN 112949632 A CN112949632 A CN 112949632A
- Authority
- CN
- China
- Prior art keywords
- coral reef
- image
- trained
- coral
- whitening
- 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
- 235000014653 Carica parviflora Nutrition 0.000 title claims abstract description 206
- 230000002087 whitening effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 244000132059 Carica parviflora Species 0.000 title description 3
- 241000243321 Cnidaria Species 0.000 claims abstract description 203
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种珊瑚礁白化自动识别方法及系统。该方法包括:获取待识别图像;将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;其中,训练好的珊瑚礁识别模型是通过Faster R‑CNN算法训练得到。采用本发明的方法及系统,能够对海洋中珊瑚礁的健康状态进行实时自动监测。
Description
技术领域
本发明涉及珊瑚礁白化识别技术领域,特别是涉及一种珊瑚礁白化自动识别方法及系统。
背景技术
珊瑚礁是海洋生态环境保护的重要组成部分,如何实现珊瑚礁白化自动监测对于珊瑚礁的保护具有十分重要的意义。由于珊瑚礁本身独特的身体结构,健康的珊瑚礁可以帮助脆弱的海岸线抵御海浪侵蚀,减小大部分海浪对海岸的强力冲蚀。与此同时,珊瑚在造礁过程中,通过体内虫黄藻,吸收大量二氧化碳,可以减轻地球的温室效应。在经济收益方面:珊瑚礁可以为大量的海洋生物提供适宜的住所,为各种各样有价值的鱼类提供食物来源,提高鱼类的密度,为人们带来巨大的经济效益。
现有珊瑚礁白化监测方法主要依靠人为采样或者是通过遥感监测,但需要耗费大量的人力物力,并且无法做到实时监测。
发明内容
本发明的目的是提供一种珊瑚礁白化自动识别方法及系统,能够对海洋中珊瑚礁的健康状态进行实时自动监测。
为实现上述目的,本发明提供了如下方案:
一种珊瑚礁白化自动识别方法,包括:
获取待识别图像;
将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;所述训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
可选的,所述训练好的珊瑚礁识别模型,具体训练方法包括:
获取待训练的珊瑚礁图像;所述待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;所述珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
采用Faster R-CNN算法对所述珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
可选的,所述对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像,具体包括:
对所述待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
可选的,所述对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集,具体包括:
标注所述待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
本发明还提供一种珊瑚礁白化自动识别系统,包括:
图像获取模块,用于获取待识别图像;
珊瑚礁白化识别模块,用于将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;所述训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
可选的,所述珊瑚礁白化识别模块,具体包括:
图像获取单元,用于获取待训练的珊瑚礁图像;所述待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
预处理单元,用于对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
标注单元,用于对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;所述珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
训练单元,用于采用Faster R-CNN算法对所述珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
可选的,所述预处理单元,具体包括:
处理子单元,用于对所述待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
可选的,所述标注单元,具体包括:
标注子单元,用于标注所述待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
与现有技术相比,本发明的有益效果是:
本发明提出了一种珊瑚礁白化自动识别方法及系统,获取待识别图像;将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;其中,训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。本发明能够对海洋中珊瑚礁的健康状态进行实时自动监测。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中珊瑚礁白化自动识别方法流程图;
图2为本发明实施例中基于Faster R-CNN算法的珊瑚礁白化自动识别流程图;
图3为本发明实施例中训练流程图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种珊瑚礁白化自动识别方法及系统,能够对海洋中珊瑚礁的健康状态进行实时自动监测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中珊瑚礁白化自动识别方法流程图,如图1所示,一种珊瑚礁白化自动识别方法,包括:
步骤101:获取待识别图像。
步骤102:将待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定待识别图像中的珊瑚礁是否为白化珊瑚礁;训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
其中,
训练好的珊瑚礁识别模型,具体训练方法包括:
步骤1.获取待训练的珊瑚礁图像;待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
步骤2.对待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
步骤3.对待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
步骤4.采用Faster R-CNN算法对珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
其中,
步骤2,具体包括:
对待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
步骤3,具体包括:
标注待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
本发明还提供一种珊瑚礁白化自动识别系统,包括:
图像获取模块,用于获取待识别图像。
珊瑚礁白化识别模块,用于将待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定待识别图像中的珊瑚礁是否为白化珊瑚礁;训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
珊瑚礁白化识别模块,具体包括:
图像获取单元,用于获取待训练的珊瑚礁图像;待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
预处理单元,用于对待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
标注单元,用于对待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
训练单元,用于采用Faster R-CNN算法对珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
预处理单元,具体包括:
处理子单元,用于对待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
标注单元,具体包括:
标注子单元,用于标注待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
为了进一步说明本发明提供的基于Faster Rcnn算法的珊瑚礁白化自动识别方法,如图2所示,一种基于Faster Rcnn算法的珊瑚礁白化自动识别方法,包括:
S10.获取健康及白化珊瑚礁图像;可以是海底珊瑚礁视频中截帧所获得图像,也可以是海底珊瑚礁实景拍摄所获得图像。
S11.对图像进行预处理,包括:数据集扩充,对图像进行亮度增强、对比度增强、水平翻转和随机方向偏转等。
S12.对图像进行标注,制作数据集;其中,数据集中包含:训练集和测试集;标注后产生的xml文件包括:珊瑚图片的图片名、文件路径、图片大小及深度、目标类别标签(如健康珊瑚、白化珊瑚)、边框坐标等关键信息。
S13.利用Faster Rcnn网络对数据集进行训练,生成珊瑚礁识别模型文件;包括:
将标注好的图像输入到Faster Rcnn网络中,通过CNN特征提取网络得到输入图像的特征图,把特征图送入区域建议网络(RPN)中,用一个3*3的滑动窗口去遍历整个特征图,在遍历过程中,每个窗口中心按照比例和大小生成9个anchors,然后利用全连接层对每个anchors做二分类(前景还是背景)和回归,最后输出精度较高的300个感兴趣区域(ROIs),然后感兴趣区域通过ROI Pooling得到特征图,通过全连接层和softmax得到分类结果。
训练过程中采用了RPNLoss+Fast R-CNN Loss的联合训练方法,通过反向传播算法不断更新模型权值,最终得到基于Faster Rcnn网络的检测模型和检测结果。
S14.将所述珊瑚礁测试数据输入珊瑚礁识别模型中进行检测,输出珊瑚礁检测结果;
S15.通过利用Faster Rcnn网络快速识别的优点进行珊瑚礁识别,并且利用Faster Rcnn网络善于识别细小物体的特点,从而能够保证快速精确的识别出珊瑚礁的类型,并且输出检测结果。
本发明实施例的基于Faster Rcnn的珊瑚礁白化自动识别训练过程,如图3所示,包括:
S20.输入待识别珊瑚图像到Faster Rcnn网络中。
S21.CNN网络进行输入图像特征提取,生成特征图。
S22.将特征图送入RPN网络中生成候选区域。
S23.映射候选区域到CNN最后层特征图上。
S24.通过ROI Pooling层生成固定大小的特征图。
S25.固定大小的特征图中的特征送入每一类的SVM分类器,判别是否属于该类;使用回归器精细修正候选框位置,进一步提高珊瑚礁的识别准确度。
本发明提供的一种基于Faster Rcnn算法的珊瑚礁白化自动识别方法,使得对海洋中珊瑚礁的健康状态监测更加方便精确。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种珊瑚礁白化自动识别方法,其特征在于,包括:
获取待识别图像;
将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;所述训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
2.根据权利要求1所述的珊瑚礁白化自动识别方法,其特征在于,所述训练好的珊瑚礁识别模型,具体训练方法包括:
获取待训练的珊瑚礁图像;所述待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;所述珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
采用Faster R-CNN算法对所述珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
3.根据权利要求2所述的珊瑚礁白化自动识别方法,其特征在于,所述对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像,具体包括:
对所述待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
4.根据权利要求2所述的珊瑚礁白化自动识别方法,其特征在于,所述对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集,具体包括:
标注所述待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
5.一种珊瑚礁白化自动识别系统,其特征在于,包括:
图像获取模块,用于获取待识别图像;
珊瑚礁白化识别模块,用于将所述待识别图像输入训练好的珊瑚礁识别模型中进行识别,确定所述待识别图像中的珊瑚礁是否为白化珊瑚礁;所述训练好的珊瑚礁识别模型是通过Faster R-CNN算法训练得到。
6.根据权利要求5所述的珊瑚礁白化自动识别系统,其特征在于,所述珊瑚礁白化识别模块,具体包括:
图像获取单元,用于获取待训练的珊瑚礁图像;所述待训练的珊瑚礁图像包括健康状态的珊瑚礁图像和白化状态的珊瑚礁图像;
预处理单元,用于对所述待训练的珊瑚礁图像进行预处理,得到预处理后的待训练的珊瑚礁图像;
标注单元,用于对所述待训练的珊瑚礁图像进行标注,得到珊瑚礁图像数据集;所述珊瑚礁图像数据集中包括多张标注好的珊瑚礁图像;
训练单元,用于采用Faster R-CNN算法对所述珊瑚礁图像数据集进行训练,生成训练好的珊瑚礁识别模型。
7.根据权利要求6所述的珊瑚礁白化自动识别系统,其特征在于,所述预处理单元,具体包括:
处理子单元,用于对所述待训练的珊瑚礁图像依次进行亮度增强处理、对比度增强处理和方向调整处理,得到预处理后的待训练珊瑚礁图像。
8.根据权利要求6所述的珊瑚礁白化自动识别系统,其特征在于,所述标注单元,具体包括:
标注子单元,用于标注所述待训练的珊瑚礁图像的图片名称、图片大小及深度、图片存储位置、珊瑚礁健康状态,得到珊瑚礁图像数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243076.7A CN112949632A (zh) | 2021-03-05 | 2021-03-05 | 一种珊瑚礁白化自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243076.7A CN112949632A (zh) | 2021-03-05 | 2021-03-05 | 一种珊瑚礁白化自动识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949632A true CN112949632A (zh) | 2021-06-11 |
Family
ID=76247716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110243076.7A Pending CN112949632A (zh) | 2021-03-05 | 2021-03-05 | 一种珊瑚礁白化自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949632A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822710A (zh) * | 2023-05-24 | 2023-09-29 | 国家海洋环境预报中心 | 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备 |
CN117975294A (zh) * | 2024-03-29 | 2024-05-03 | 青岛哈尔滨工程大学创新发展中心 | 一种高清影像下的海洋内波自动识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012129612A1 (en) * | 2011-03-31 | 2012-10-04 | Ogburn Damian | Method and system for surveying or monitoring underwater features |
CN110411962A (zh) * | 2019-08-03 | 2019-11-05 | 国家海洋环境监测中心 | 珊瑚礁白化遥感监测机理分析方法 |
CN110738698A (zh) * | 2019-11-08 | 2020-01-31 | 青岛合启立智能科技有限公司 | 浮水式海底数据测量方法、装置和电子设备 |
CN110889844A (zh) * | 2019-11-29 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 |
CN111487245A (zh) * | 2020-04-03 | 2020-08-04 | 中国地质大学(武汉) | 一种类珊瑚礁水域生物质量演化评估系统 |
-
2021
- 2021-03-05 CN CN202110243076.7A patent/CN112949632A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012129612A1 (en) * | 2011-03-31 | 2012-10-04 | Ogburn Damian | Method and system for surveying or monitoring underwater features |
CN110411962A (zh) * | 2019-08-03 | 2019-11-05 | 国家海洋环境监测中心 | 珊瑚礁白化遥感监测机理分析方法 |
CN110738698A (zh) * | 2019-11-08 | 2020-01-31 | 青岛合启立智能科技有限公司 | 浮水式海底数据测量方法、装置和电子设备 |
CN110889844A (zh) * | 2019-11-29 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 |
CN111487245A (zh) * | 2020-04-03 | 2020-08-04 | 中国地质大学(武汉) | 一种类珊瑚礁水域生物质量演化评估系统 |
Non-Patent Citations (3)
Title |
---|
李冰泽: "一种声光融合的珊瑚活性探测方法", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
索琳琳: "基于多源遥感数据的珊瑚礁白化监测研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
董洪义: "《深度学习之PyTorch物体检测实战》", 31 March 2020, 机械工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822710A (zh) * | 2023-05-24 | 2023-09-29 | 国家海洋环境预报中心 | 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备 |
CN117975294A (zh) * | 2024-03-29 | 2024-05-03 | 青岛哈尔滨工程大学创新发展中心 | 一种高清影像下的海洋内波自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11402494B2 (en) | Method and apparatus for end-to-end SAR image recognition, and storage medium | |
CN112464879B (zh) | 基于自监督表征学习的海洋目标检测方法及系统 | |
Kim et al. | High-speed drone detection based on yolo-v8 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN109446902A (zh) | 一种基于无人平台的海洋环境与目标综合感知方法 | |
CN112052817B (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
CN112949632A (zh) | 一种珊瑚礁白化自动识别方法及系统 | |
CN112215822A (zh) | 一种基于轻量级回归网络的人脸图像质量评估方法 | |
CN112949408B (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
CN111339902B (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
WO2023217163A1 (zh) | 一种基于本地自注意力机制的大坝缺陷时序图像描述方法 | |
Luo et al. | Research on data augmentation for object detection based on X-ray security inspection picture | |
CN116935332A (zh) | 一种基于动态视频的渔船目标检测与跟踪方法 | |
Sun et al. | Image recognition technology in texture identification of marine sediment sonar image | |
CN115546622A (zh) | 鱼群检测方法及系统、电子设备和存储介质 | |
CN115661932A (zh) | 一种垂钓行为检测方法 | |
Katayama et al. | GAN-based color correction for underwater object detection | |
CN113283334B (zh) | 一种课堂专注度分析方法、装置和存储介质 | |
CN114882204A (zh) | 船名自动识别方法 | |
WO2022205329A1 (zh) | 对象检测方法、对象检测装置及对象检测系统 | |
CN113642651A (zh) | 一种基于深度学习的偏振成像海上溢油识别装置及方法 | |
He et al. | A novel image recognition algorithm of target identification for unmanned surface vehicles based on deep learning | |
CN116206195A (zh) | 近海养殖物目标检测方法、系统、存储介质及计算机设备 | |
CN116486177A (zh) | 一种基于深度学习的水下目标识别分类方法 | |
CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |