CN113642535B - 一种生物分支检测方法、装置及电子设备 - Google Patents

一种生物分支检测方法、装置及电子设备 Download PDF

Info

Publication number
CN113642535B
CN113642535B CN202111193314.4A CN202111193314A CN113642535B CN 113642535 B CN113642535 B CN 113642535B CN 202111193314 A CN202111193314 A CN 202111193314A CN 113642535 B CN113642535 B CN 113642535B
Authority
CN
China
Prior art keywords
biological
layer
detection model
trained
detection
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.)
Active
Application number
CN202111193314.4A
Other languages
English (en)
Other versions
CN113642535A (zh
Inventor
韩军
王正平
黄小棠
张恒
张令瑄
吴恒乾
王利利
高岩
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.)
Liaocheng Hi Tech Biological Technology Co ltd
Original Assignee
Liaocheng Hi Tech Biological Technology Co ltd
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 Liaocheng Hi Tech Biological Technology Co ltd filed Critical Liaocheng Hi Tech Biological Technology Co ltd
Priority to CN202111193314.4A priority Critical patent/CN113642535B/zh
Publication of CN113642535A publication Critical patent/CN113642535A/zh
Application granted granted Critical
Publication of CN113642535B publication Critical patent/CN113642535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及目标检测，揭露一种生物分支检测方法、装置及电子设备，所述方法包括：获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集，根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。本发明可解决生物检测的检测效率及检测智能化程度较低的问题。

Description

一种生物分支检测方法、装置及电子设备
技术领域
本发明涉及目标检测，尤其涉及一种生物分支检测方法、装置及电子设备。
背景技术
伴随科技发展，如何高效提高产业结构升级是当前火热的技术方向，如农林领域中，智能化检测出新发现的灌木群中包括哪些品种的灌木，可减少农林工作人员以身作则进入灌木群考察的风险，提高工作效率。
目前，生物检测技术主要依靠有经验的专家观察航拍图片，并利用计算机标定软件在航拍图片中标定出目标生物。如上述为检测新发现的灌木群中包括哪些品种的灌木，先航拍出灌木群的航拍图，进而依靠有经验的农林专家及计算机标定软件，在该航拍图中标定出不同品种的灌木，完成生物检测。
上述方法虽可实现生物检测，但由于人工干预过多，导致生物检测的检测效率较低、检测智能化有待进一步提高的问题。
发明内容
为了解决上述技术问题，本发明提供了一种生物分支检测方法、装置及电子设备，可解决生物检测的检测效率及检测智能化程度较低的问题。
第一方面，本发明提供了一种生物分支检测方法，包括：
获获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；
按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
构建所述待训练检测模型的损失函数；
利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
可以看出，本发明实施例先获取目标生物的航拍视频，考虑到若直接对所述航拍视频中的每一帧均执行目标生物检测，会极大的浪费计算资源，因此从航拍视频中提取关键帧，仅对关键帧执行目标生物检测，以节约资源；另外，由于深度神经网络具有检测准确率高的优点，本发明实施例根据生物待检测图集的规模，生成包括空洞卷积层、池化层、残差层及反卷积层的待训练检测模型，同时构建出对应的损失函数训练所述待训练检测模型，得到生物图片检测模型，进而利用所述生物图片检测模型检测所述生物待检测图集，完成目标生物的检测，可见相比于背景技术来说，整个检测过程无需人为干预，均为自动化检测过程。因此，本发明实施例提出的一种生物分支检测方法可以解决生物检测的检测效率及检测智能化程度较低的问题。
在第一方面的一种可能实现方式中，所述利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，包括：
接收生物训练集及对应的真实标签集；
接收用户根据所述生物训练集输入的训练学习率、批尺寸；
将所述生物训练集执行向量转换，得到生物向量集；
将所述生物向量集输入至所述待训练检测模型，利用所述空洞卷积层及所述池化层对所述生物向量集执行特征提取，得到生物特征集；
利用所述残差层对所述生物特征集及所述生物向量集执行残差连接，得到待激活特征集；
利用所述反卷积层对所述待激活特征集执行激活处理，得到预测标签集；
将所述预测标签集与所述真实标签集作为所述损失函数的参数值，计算得到误差值；
当所述误差值大于等于指定阈值时，调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，并返回上述特征提取步骤；
直至所述误差值小于指定阈值时，确定所述待训练检测模型为所述生物图片检测模型。
在第一方面的一种可能实现方式中，所述构建所述待训练检测模型的损失函数，包括：
采用如下方式构建得到所述损失函数：
Figure 592880DEST_PATH_IMAGE001
Figure 580427DEST_PATH_IMAGE002
Figure 837358DEST_PATH_IMAGE003
其中，
Figure 430014DEST_PATH_IMAGE004
为所述损失函数，
Figure 245523DEST_PATH_IMAGE005
称为标签损失函数，
Figure 923629DEST_PATH_IMAGE006
表示训练所述待训 练检测模型的生物训练集的真实标签集，
Figure 482786DEST_PATH_IMAGE007
表示所述生物训练集的预测标签集，
Figure 195527DEST_PATH_IMAGE008
表示所述 生物训练集的数量，
Figure 181938DEST_PATH_IMAGE009
称为像素损失函数，
Figure 612919DEST_PATH_IMAGE010
表示所述真实标签集在所述生物训练 集中所圈出的目标生物的像素集，
Figure 943144DEST_PATH_IMAGE011
表示所述预测标签集在所述生物训练集中所圈出的目 标生物的像素集，
Figure 775971DEST_PATH_IMAGE012
表示所述像素集的像素总数，
Figure 667704DEST_PATH_IMAGE013
表示权重系数。
在第一方面的一种可能实现方式中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：
将所述空洞卷积层、所述池化层及所述残差层按照交替顺序组合在最前端；
将所述反卷积层放置在最后端，得到所述待训练检测模型。
在第一方面的一种可能实现方式中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，还可以被替换为：
按照所述空洞卷积层在前、所述池化层在后的顺序组合，得到所述待训练检测模型的最前端；
将所述残差层作为所述训练检测模型的中端，将所述反卷积层作为所述训练检测模型的后端，构建得到所述待训练检测模型。
在第一方面的一种可能实现方式中，所述根据所述生物待检测图集的规模，生成对应的模型层数，包括：
提取所述生物待检测图集中每张生物待检测图的像素规模；
利用每张生物待检测图的像素规模计算得到平均像素规模；
根据预构建的模型层数计算函数，计算所述平均像素规模对应的所述模型层数。
在第一方面的一种可能实现方式中，所述对所述航拍视频执行关键帧提取，得到生物待检测图集，包括：
从所述航拍视频中选择位置参考点；
依次提取所述航拍视频中每一帧在所述位置参考点的像素值，得到关键像素值；
根据每一帧的所述关键像素值，求解得到平均像素值；
从所述航拍视频中选择在所述位置参考点与所述平均像素值在预设误差范围外的帧，得到所述生物待检测图集。
第二方面，本发明提供了一种生物分支检测装置，所述装置包括：
待检测图提取模块，用于获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
待训练检测模型构建模块，用于根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
模型训练模块，用于构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
目标生物检测模块，用于利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
第三方面，本发明提供一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的生物分支检测方法。
可以理解的是，上述第二方面和第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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为本发明一实施例提供的一种生物分支检测方法的详细流程示意图；
图2为本发明一实施例中图1提供的一种生物分支检测方法的其中一个步骤流程示意图；
图3为本发明一实施例中图1提供的一种生物分支检测方法的另外一个步骤流程示意图；
图4为本发明一实施例提供的一种生物分支检测装置的模块示意图；
图5为本发明一实施例提供的实现生物分支检测方法的电子设备的内部结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
参阅图1所示的流程图描述了本发明一实施例提供的生物分支检测方法。其中，图1中描述的生物分支检测方法包括：
S1、获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集。
应了解的是，本发明实施例所述目标生物对应于应用场景，如在农林领域，发现一块无人开垦的灌木群，先需粗略统计该灌木群里所包括的树木种类，因此利用航拍设备飞行于该灌木群之上，拍摄得到该灌木群的航拍视频。
需解释的是，若直接对所述航拍视频中的每一帧均执行目标生物检测，会极大的浪费计算资源，因此需从航拍视频中提取关键帧，仅对关键帧执行目标生物检测，以节约资源。
本发明其中一个实施例，参阅图2所示，所述对所述航拍视频执行关键帧提取，得到生物待检测图集，包括：
S11、从所述航拍视频中选择位置参考点；
可选地，可选择航拍视频的中心点区域作为所述位置参考点。
示例性的，选择上述灌木群航拍视频的中心点，作为所述位置参考点，依次计算每一帧灌木群航拍视频在中心点的像素值变化，并根据像素值变化提取出关键帧。
S12、依次提取所述航拍视频中每一帧在所述位置参考点的像素值，得到关键像素值；
接上例，在计算每一帧灌木群航拍视频在中心点的像素值变化前，先提取出每一帧灌木群航拍视频在中心点的像素值。
S13、根据每一帧的所述关键像素值，求解得到平均像素值；
示例性的，若上述灌木群航拍视频共一万帧，则相加每一帧中心点的像素值并除以一万，即可得到所述平均像素值。
S14、从所述航拍视频中选择在所述位置参考点与所述平均像素值在预设误差范围外的帧，得到所述生物待检测图集。
应了解的是，若存在位置参考点的像素值与平均像素值在预设误差范围外的帧，表示该帧在位置参考点的像素值发生较大改变，则可得到的结论是：该帧像素变化幅度较大，可能有新的目标生物进入该帧才导致该帧产生较大幅度的像素改变，因此将该帧命名为关键帧，即为所述生物待检测图。
本发明实施例中，所述误差范围可设置[-15,+15]。
S2、根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；
应阐述的是，深度神经网络的网络层数设置，一般需根据输入数据的规模对应设置，网络层数过多或过少，均会影响深度神经网络的检测效果。
本发明实施例中，所述根据所述生物待检测图集的规模，生成对应的模型层数，包括：
提取所述生物待检测图集中每张生物待检测图的像素规模；
利用每张生物待检测图的像素规模计算得到平均像素规模；
根据预构建的模型层数计算函数，计算所述平均像素规模对应的所述模型层数。
本发明另一实施例中，所述平均像素规模也可采用众数像素规模替代，即选择DPI出现对应的像素数值。
示例性的，灌木群对应的生物待检测图集共100张，根据100张中的每张生物待检测图的像素规模，计算得到平均像素规模为160DPI，则根据预构建的对数函数，计算得到160DPI对应的模型层数为12层。
应强调的是，不同的模型层数对后续生物检测的效果具有一定影响。
本发明实施例中，当平均像素规模为[150-200]DPI时，所述模型层数共12层，包括4层空洞卷积层、4层池化层、2层残差层及2层反卷积层。
进一步地，本发明较佳实施例相比于其他技术实施手段来说，将卷积层用空洞卷积层替代。需解释的是，空洞卷积主要通过增大卷积核大小，并将部分卷积核内数值用0代替的卷积操作形式，空洞卷积可降低卷积过程中所生成的特征图的数量级，减小卷积操作中的计算复杂度。
另外，残差层是为了增加网络深度，防止生物待检测图集的特征在卷积过程中丢失，而采用的跳跃连接方式。另外，所述反卷积层又称解卷积，主要起激活作用，达到在图片中标定出目标生物位置的作用。
S3、按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
应强调的是，不同模型层数的待训练检测模型，对生物检测的效果也不尽相同，而可想象的是，所述空洞卷积层、所述池化层、所述残差层及所述反卷积层的组建顺序的不同，同样会影响生物目标的检测效果。
本发明其中一个实施例中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：
将所述空洞卷积层、所述池化层及所述残差层按照交替顺序组合在最前端；
将所述反卷积层放置在最后端，得到所述待训练检测模型。
应解释的是，如上述检测灌木群的模型层数共12层，包括4层空洞卷积层、4层池化层、2层残差层及2层反卷积层，则生成的待训练检测模型为：空洞卷积层+池化层+残差层、空洞卷积层+池化层+残差层、空洞卷积层+池化层、空洞卷积层+池化层、2层反卷积层。
本发明另外一个实施例中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：
按照所述空洞卷积层在前、所述池化层在后的顺序组合，得到所述待训练检测模型的最前端；
将所述残差层作为所述训练检测模型的中端，将所述反卷积层作为所述训练检测模型的后端，构建得到所述训练检测模型。
可解释的是，检测灌木群的待训练检测模型可以为：空洞卷积层+池化层、空洞卷积层+池化层、空洞卷积层+池化层、空洞卷积层+池化层、2层残差层、2层反卷积层。
S4、构建所述待训练检测模型的损失函数；
应理解的是，本发明实施例中，可使用常用的深度神经网络模型的损失函数，包括交叉熵损失函数、平方差损失函数等。
本发明另一实施例中，所述构建所述待训练检测模型的损失函数，包括：
Figure 851560DEST_PATH_IMAGE001
Figure 752520DEST_PATH_IMAGE014
Figure 174274DEST_PATH_IMAGE015
其中，所述损失函数为
Figure 705750DEST_PATH_IMAGE004
，且
Figure 845744DEST_PATH_IMAGE004
由
Figure 815974DEST_PATH_IMAGE005
及
Figure 859279DEST_PATH_IMAGE009
组成，
Figure 358393DEST_PATH_IMAGE005
称为 标签损失函数，
Figure 188946DEST_PATH_IMAGE006
表示训练所述待训练检测模型的生物训练集的真实标签集，
Figure 431709DEST_PATH_IMAGE007
表示所述 生物训练集的预测标签集，
Figure 828055DEST_PATH_IMAGE008
表示所述生物训练集的数量，
Figure 763650DEST_PATH_IMAGE009
称为像素损失函数，
Figure 878236DEST_PATH_IMAGE010
表示所述真实标签集在所述生物训练集中所圈出的目标生物的像素集，
Figure 862373DEST_PATH_IMAGE011
表示所述预测标 签集在所述生物训练集中所圈出的目标生物的像素集，
Figure 378805DEST_PATH_IMAGE012
表示所述像素集的像素总数，
Figure 219722DEST_PATH_IMAGE013
表示权重系数。
示例性的，检测灌木群的待训练检测模型，其主要目的是检测出灌木群中有多少种灌木并在所述生物待检测图中用矩形框中圈出对应的灌木，因此，所述损失函数主要计算预测出的灌木种类及矩形框中圈出的灌木的像素集，与真实标签集中灌木种类及矩形框中圈出的灌木的像素集的误差值。
S5、利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
应解释的是，当构建出损失函数后，需进一步利用所述损失函数训练所述待训练检测模型，以调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，从而提高检测模型的检测能力。
详细地，参阅图3所示，所述利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，包括：
S51、接收生物训练集及对应的真实标签集；
S52、接收用户根据所述生物训练集输入的训练学习率、批尺寸；
S53、将所述生物训练集执行向量转换，得到生物向量集；
S54、将所述生物向量集输入至所述待训练检测模型，利用所述空洞卷积层及所述池化层对所述生物向量集执行特征提取，得到生物特征集；
S55、利用所述残差层对所述生物特征集及所述生物向量集执行残差连接，得到待激活特征集；
S56、利用所述反卷积层对所述待激活特征集执行激活处理，得到预测标签集；
S57、将所述预测标签集与所述真实标签集作为所述损失函数的参数值，计算得到误差值；
S58、判断所述误差值是否大于指定阈值；
S59、当所述误差值大于等于指定阈值时，调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，并返回上述特征提取步骤；
S510、直至所述误差值小于指定阈值时，确定所述待训练检测模型为所述生物图片检测模型。
应解释的是，所述生物训练集是预先收集并整理得到的图片集，所述真实标签集记录所述生物训练集中每张生物训练图的标签及所圈出的目标生物的像素集。
示例性的，可提前收集多种其他类型的灌木群、热带雨林、沙漠丛林等拍摄图，清理得到所述生物训练集，其中，每张拍摄图都已标记有哪些类型的灌木及在图片中的位置，其中在图片中的位置即为所述目标生物的像素集。
另外，所述训练学习率表示每次调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸的调节幅度，所述批尺寸表示每次训练时输入的生物训练图片个数。
本发明实施例中，所述向量转换可只用Bert模型、Word2Vec算法实现完成。
需强调的是，利用空洞卷积层及池化层执行特征提取、残差连接及激活处理均为常用技术手段，在此不再赘述。
总结来说，当所述误差值小于指定阈值时，表示所述待训练检测模型的内部参数调节已趋于完善，则确定内部参数已趋于完善的所述待训练检测模型为所述生物图片检测模型。
S6、利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
示例性的，将航拍灌木群得到的生物待检测图集输入至所述生物图片检测模型中，在所述生物图片检测模型可检测出该灌木群内有多少种灌木，及每种灌木在生物待检测图中位置，从而完成生物检测。
可以看出，本发明实施例先获取目标生物的航拍视频，考虑到若直接对所述航拍视频中的每一帧均执行目标生物检测，会极大的浪费计算资源，因此从航拍视频中提取关键帧，仅对关键帧执行目标生物检测，以节约资源；另外，由于深度神经网络具有检测准确率高的优点，本发明实施例根据生物待检测图集的规模，生成包括空洞卷积层、池化层、残差层及反卷积层的待训练检测模型，同时构建出对应的损失函数训练所述待训练检测模型，得到生物图片检测模型，进而利用所述生物图片检测模型检测所述生物待检测图集，完成目标生物的检测，可见相比于背景技术来说，整个检测过程无需人为干预，均为自动化检测过程。因此，本发明实施例提出的一种生物分支检测方法可以解决生物检测的检测效率及检测智能化程度较低的问题。
如图4所示，是本发明生物分支检测装置的功能模块图。
本发明所述生物分支检测装置400可以安装于电子设备中。根据实现的功能，所述生物分支检测装置可以包括待检测图提取模块401、待训练检测模型构建模块402、模型训练模块403以及目标生物检测模块404。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述待检测图提取模块401，用于获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
所述待训练检测模型构建模块402，用于根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
所述模型训练模块403，用于构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
所述目标生物检测模块404，用于利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
详细地，本发明实施例中所述生物分支检测装置400中的所述各模块在使用时采用与上述的图1和图3中所述的生物分支检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明实现生物分支检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53，还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序，如生物分支检测程序。
其中，所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块（例如执行生物分支检测程序等），以及调用存储在所述存储器51内的数据，以执行电子设备的各种功能和处理数据。
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据，例如生物分支检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器50逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的生物分支检测程序是多个计算机程序的组合，在所述处理器50中运行时，可以实现：
获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；
按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
构建所述待训练检测模型的损失函数；
利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
具体地，所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种生物分支检测方法，其特征在于，所述方法包括：
获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；
按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
构建所述待训练检测模型的损失函数；
利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果；
所述利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，包括：
接收生物训练集及对应的真实标签集；
接收用户根据所述生物训练集输入的训练学习率、批尺寸；
将所述生物训练集执行向量转换，得到生物向量集；
将所述生物向量集输入至所述待训练检测模型，利用所述空洞卷积层及所述池化层对所述生物向量集执行特征提取，得到生物特征集；
利用所述残差层对所述生物特征集及所述生物向量集执行残差连接，得到待激活特征集；
利用所述反卷积层对所述待激活特征集执行激活处理，得到预测标签集；
将所述预测标签集与所述真实标签集作为所述损失函数的参数值，计算得到误差值；
当所述误差值大于等于指定阈值时，调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，并返回上述特征提取步骤；
直至所述误差值小于指定阈值时，确定所述待训练检测模型为所述生物图片检测模型。
2.如权利要求1所述的生物分支检测方法，其特征在于，所述构建所述待训练检测模型的损失函数，包括：
采用如下方式构建得到所述损失函数：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE008
为所述损失函数，
Figure DEST_PATH_IMAGE010
称为标签损失函数，
Figure DEST_PATH_IMAGE012
表示训练所述待训练检测模型的生物训练集的真实标签集，
Figure DEST_PATH_IMAGE014
表示所述生物训练集的预测标签集，
Figure DEST_PATH_IMAGE016
表示所述生物训练集的数量，
Figure DEST_PATH_IMAGE018
称为像素损失函数，
Figure DEST_PATH_IMAGE020
表示所述真实标签集在所述生物训练集中所圈出的目标生物的像素集，
Figure DEST_PATH_IMAGE022
表示所述预测标签集在所述生物训练集中所圈出的目标生物的像素集，
Figure DEST_PATH_IMAGE024
表示所述像素集的像素总数，
Figure DEST_PATH_IMAGE026
表示权重系数。
3.如权利要求1所述的生物分支检测方法，其特征在于，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：
将所述空洞卷积层、所述池化层及所述残差层按照交替顺序组合在最前端；
将所述反卷积层放置在最后端，得到所述待训练检测模型。
4.如权利要求3所述的生物分支检测方法，其特征在于，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，还可以被替换为：
按照所述空洞卷积层在前、所述池化层在后的顺序组合，得到所述待训练检测模型的最前端；
将所述残差层作为所述训练检测模型的中端，将所述反卷积层作为所述训练检测模型的后端，构建得到所述待训练检测模型。
5.如权利要求1所述的生物分支检测方法，其特征在于，所述根据所述生物待检测图集的规模，生成对应的模型层数，包括：
提取所述生物待检测图集中每张生物待检测图的像素规模；
利用每张生物待检测图的像素规模计算得到平均像素规模；
根据预构建的模型层数计算函数，计算所述平均像素规模对应的所述模型层数。
6.一种生物分支检测装置，应用如权利要求1所述的一种生物分支检测方法，其特征在于，所述装置包括：
待检测图提取模块，用于获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；
待训练检测模型构建模块，用于根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；
模型训练模块，用于构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；
目标生物检测模块，用于利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的生物分支检测方法。
CN202111193314.4A 2021-10-13 2021-10-13 一种生物分支检测方法、装置及电子设备 Active CN113642535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111193314.4A CN113642535B (zh) 2021-10-13 2021-10-13 一种生物分支检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111193314.4A CN113642535B (zh) 2021-10-13 2021-10-13 一种生物分支检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113642535A CN113642535A (zh) 2021-11-12
CN113642535B true CN113642535B (zh) 2022-01-25

Family

ID=78426619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111193314.4A Active CN113642535B (zh) 2021-10-13 2021-10-13 一种生物分支检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113642535B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
CN110322495A (zh) * 2019-06-27 2019-10-11 电子科技大学 一种基于弱监督深度学习的场景文本分割方法
CN112101363A (zh) * 2020-09-02 2020-12-18 河海大学 基于空洞残差和注意力机制的全卷积语义分割系统及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938840A (zh) * 2012-11-26 2013-02-20 南京邮电大学 应用于多视点视频编码系统的关键帧量化参数选择方法
CN104778702A (zh) * 2015-04-15 2015-07-15 中国科学院自动化研究所 基于深度学习的图像隐写检测方法
CN107220707A (zh) * 2017-06-19 2017-09-29 山东师范大学 基于二维数据的动态神经网络模型训练方法和装置
CN108564583B (zh) * 2018-04-23 2020-12-01 广东云林信息工程技术股份有限公司 样地监测方法、装置及系统
CN109447994B (zh) * 2018-11-05 2019-12-17 陕西师范大学 结合完全残差与特征融合的遥感图像分割方法
CN112307853A (zh) * 2019-08-02 2021-02-02 成都天府新区光启未来技术研究院 航拍图像的检测方法、存储介质和电子装置
CN110751134B (zh) * 2019-12-23 2020-05-12 长沙智能驾驶研究院有限公司 目标检测方法、装置、存储介质及计算机设备
US10713493B1 (en) * 2020-02-06 2020-07-14 Shenzhen Malong Technologies Co., Ltd. 4D convolutional neural networks for video recognition
CN111368563A (zh) * 2020-03-03 2020-07-03 新疆大学 一种融合聚类算法的维汉机器翻译系统
CN111986099B (zh) * 2020-06-30 2022-05-13 武汉大学 基于融合残差修正的卷积神经网络的耕地监测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
CN110322495A (zh) * 2019-06-27 2019-10-11 电子科技大学 一种基于弱监督深度学习的场景文本分割方法
CN112101363A (zh) * 2020-09-02 2020-12-18 河海大学 基于空洞残差和注意力机制的全卷积语义分割系统及方法

Also Published As

Publication number Publication date
CN113642535A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
US11783227B2 (en) Method, apparatus, device and readable medium for transfer learning in machine learning
KR20210073569A (ko) 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체
CN108171260B (zh) 一种图片识别方法及系统
CN110728295B (zh) 半监督式的地貌分类模型训练和地貌图构建方法
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN113298159B (zh) 目标检测方法、装置、电子设备及存储介质
CN107506792B (zh) 一种半监督的显著对象检测方法
CN115512251A (zh) 基于双分支渐进式特征增强的无人机低照度目标跟踪方法
CN107909638A (zh) 虚拟物体的渲染方法、介质、系统和电子设备
CN113837316B (zh) 一种基于农产品的异常区域检测方法、装置、设备及介质
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN115187772A (zh) 目标检测网络的训练及目标检测方法、装置及设备
CN115346207A (zh) 一种基于实例结构相关性的二维图像中三维目标检测方法
CN118154867A (zh) 一种半监督遥感图像语义分割方法与系统
CN112016617A (zh) 细粒度分类方法、装置及计算机可读存储介质
CN115690615A (zh) 一种面向视频流的深度学习目标识别方法及系统
CN111310516B (zh) 一种行为识别方法和装置
CN113642535B (zh) 一种生物分支检测方法、装置及电子设备
CN113140292A (zh) 图像异常区域浏览方法、装置、移动端设备及存储介质
CN111652226B (zh) 基于图片的目标识别方法、装置及可读存储介质
CN113361381B (zh) 人体关键点检测模型训练方法、检测方法及装置
CN115936346A (zh) 一种提升豆瓣品质的制曲工艺方法、装置、设备及介质
CN115620119A (zh) 一种天气类型图像检测及雾天图像处理方法及装置
CN113792801A (zh) 人脸炫光程度的检测方法、装置、设备及存储介质
CN113255456A (zh) 非主动活体检测方法、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
GR01 Patent grant
GR01 Patent grant