CN114548291A - 基于mr-cnn算法的生态生物识别方法 - Google Patents

基于mr-cnn算法的生态生物识别方法 Download PDF

Info

Publication number
CN114548291A
CN114548291A CN202210172671.0A CN202210172671A CN114548291A CN 114548291 A CN114548291 A CN 114548291A CN 202210172671 A CN202210172671 A CN 202210172671A CN 114548291 A CN114548291 A CN 114548291A
Authority
CN
China
Prior art keywords
image
biological
ecological
cnn
feature
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
CN202210172671.0A
Other languages
English (en)
Inventor
杨志峰
沈永明
张远
蔡宴朋
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.)
Lantu Jisi Shenzhen Digital Technology Co ltd
Original Assignee
Lantu Jisi Shenzhen Digital 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 Lantu Jisi Shenzhen Digital Technology Co ltd filed Critical Lantu Jisi Shenzhen Digital Technology Co ltd
Priority to CN202210172671.0A priority Critical patent/CN114548291A/zh
Publication of CN114548291A publication Critical patent/CN114548291A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

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

Abstract

本发明公开了基于MR‑CNN算法的生态生物识别方法，包括如下步骤：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；通过MR‑CNN算法对预处理后的生物图像数据进行目标检测。本发明通过MR‑CNN算法的设置，模型首先对图像进行多区域划分，然后用标准卷积操作得到图像语义上下文信息，接着利用多区域的输入来学习上下文交互特征，通过把全局区域和多个分区域的空间信息级联再输入卷积层，以一种信息补充的方式提取图像的上下文特征信息，最后通过Softmax函数对图像进行分类，结构简单，参数量较少，且多区域特征融合上下文信息建模比单区域特征建模具有更好的鲁棒性和更高的分类精度。

Description

基于MR-CNN算法的生态生物识别方法
技术领域
本发明涉及生物识别技术领域，尤其涉及基于MR-CNN算法的生态生物识别方法。
背景技术
水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况。有许多水生生物对水中毒物很敏感，也可以通过水生生物毒性实验结果来判断水质污染程度。因此，需要对生态生物进行识别。
现有生物识别过程中的深度卷积神经网络模型存在的网络结构复杂、计算量较大等问题，从而无法在实际中有较广泛的应用。
发明内容
基于背景技术存在的技术问题，本发明提出了基于MR-CNN算法的生态生物识别方法。
本发明提出的基于MR-CNN算法的生态生物识别方法，包括如下步骤：
S1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
S2对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
S3通过MR-CNN算法对预处理后的生物图像数据进行目标检测；
S31获取预处理后的生物图像，将生物图像平均裁剪成四个方向的子区域，同时在生物图像上取与四个子区域图像尺寸相同的中心区域，分别标记为生物图像的左上方分块LT、右上方分块RT、左下方分块LB、右下方分块RB和中心区域C；
S32对生物图像计算卷积，同时计算批量归一化后得到特征图RG；
S33对五个小分块分别计算卷积，计算批量归一化后得到特征图RLT、RRT、RLB、RRB和RC；
S34将特征图RG、RLT、RRT、RLB、RRB和RC进行级联；
S35把级联后输出的特征图作为下一个卷积层的输入，且计算卷积，同时计算批量归一化后得到特征图；
S36将上一步得到的特征图作为全局平均池化层的输入，利用Softmax分类器得到图像的分类结果；
S37用交叉熵计算分类结果和标签的差异，通过卷积神经网络模型专用的反向传播算法调节并更新参数kij，直到损失函数收敛于一个较小的值，训练完毕；
S38输入测试集，利用训练得到的网络对测试图像进行分类；
S4将检测后的生物图像与图像信息匹配，进行生态生物识别。
优选的，所述步骤S31先把生物图像输入MR-CNN模块一与不同尺寸的滤波器进行卷积操作，各分块图像分别输入MR-CNN模块二进行卷积操作。
优选的，所述滤波器的尺寸先采用3×3，通过滤波器提取各分块图像的上下文特征信息，再使用1×1的滤波器保持特征图尺度不变的前提下大幅增加非线性特性，使网络能提取到更有鲁棒性的特征。
优选的，所述生物图像和各分块图像进行卷积操作后，然后对原始图像和各分块卷积后的特征图级联后再输入MR-CNN模块三，以一种信息补充的方式学习到图像的上下文交互特征，其中模块三采用两层3×3滤波器加一层1×1一层滤波器。
优选的，所述生物图像与滤波器进行卷积后通过一个激活函数，得到输出特征图，公式为：
Figure BDA0003519005560000031
其中：上标表示所在的层数；*为卷积操作；
Figure BDA0003519005560000032
表示卷积后第j个神经元的输出；
Figure BDA0003519005560000033
表示第l层第i个神经元，即输入数据；
Figure BDA0003519005560000034
表示滤波器；
Figure BDA0003519005560000035
表示偏置；Mj表示选择的输入特征图的集合。
优选的，所述步骤S3的MR-CNN在每个卷积层之后都加上一个批量归一化层，减少了初始化的强依赖性的同时，改善了整个网络的梯度流，使网络具有更好的鲁棒性，批量归一化公式如下：
Figure BDA0003519005560000041
Figure BDA0003519005560000042
Figure BDA0003519005560000043
其中：B＝{x1，x2…，xm}表示m个小批量输入，μB表示小批量均值，
Figure BDA0003519005560000044
表示小批量方差，γ，β表示需要学习的超参数，ξ表示小批量方差的一个常量。
优选的，所述步骤S3的MR-CNN选择Swish函数作为网络模型的激活函数以提高图像的分类精确率。它的数学表达式为：
f(x)＝x·σ(x)
σ(x)＝1/(1+exp(-x)) (6)1
其中σ(x)为Sigmoid函数。
优选的，所述步骤S2采用图像归一法和图像增强法对采集的生物图像数据进行预处理。
本发明中，所述基于MR-CNN算法的生态生物识别方法，通过MR-CNN算法的设置，模型首先对图像进行多区域划分，然后用标准卷积操作得到图像语义上下文信息，接着利用多区域的输入来学习上下文交互特征，通过把全局区域和多个分区域的空间信息级联再输入卷积层，以一种信息补充的方式提取图像的上下文特征信息，最后通过Softmax函数对图像进行分类，结构简单，参数量较少，且多区域特征融合上下文信息建模比单区域特征建模具有更好的鲁棒性和更高的分类精度。
附图说明
图1为本发明提出的基于MR-CNN算法的生态生物识别方法的流程图；
图2为本发明提出的基于MR-CNN算法的生态生物识别方法的MR-CNN检测流程图。
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。
参照图1-2，基于MR-CNN算法的生态生物识别方法，包括如下步骤：
S1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
S2对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
S3通过MR-CNN算法对预处理后的生物图像数据进行目标检测；
S31获取预处理后的生物图像，将生物图像平均裁剪成四个方向的子区域，同时在生物图像上取与四个子区域图像尺寸相同的中心区域，分别标记为生物图像的左上方分块LT、右上方分块RT、左下方分块LB、右下方分块RB和中心区域C；
S32对生物图像计算卷积，同时计算批量归一化后得到特征图RG；
S33对五个小分块分别计算卷积，计算批量归一化后得到特征图RLT、RRT、RLB、RRB和RC；
S34将特征图RG、RLT、RRT、RLB、RRB和RC进行级联；
S35把级联后输出的特征图作为下一个卷积层的输入，且计算卷积，同时计算批量归一化后得到特征图；
S36将上一步得到的特征图作为全局平均池化层的输入，利用Softmax分类器得到图像的分类结果；
S37用交叉熵计算分类结果和标签的差异，通过卷积神经网络模型专用的反向传播算法调节并更新参数kij，直到损失函数收敛于一个较小的值，训练完毕；
S38输入测试集，利用训练得到的网络对测试图像进行分类；
S4将检测后的生物图像与图像信息匹配，进行生态生物识别。
本发明中，步骤S31先把生物图像输入MR-CNN模块一与不同尺寸的滤波器进行卷积操作，各分块图像分别输入MR-CNN模块二进行卷积操作。
本发明中，滤波器的尺寸先采用3×3，通过滤波器提取各分块图像的上下文特征信息，再使用1×1的滤波器保持特征图尺度不变的前提下大幅增加非线性特性，使网络能提取到更有鲁棒性的特征。
本发明中，生物图像和各分块图像进行卷积操作后，然后对原始图像和各分块卷积后的特征图级联后再输入MR-CNN模块三，以一种信息补充的方式学习到图像的上下文交互特征，其中模块三采用两层3×3滤波器加一层1×1一层滤波器。
本发明中，生物图像与滤波器进行卷积后通过一个激活函数，得到输出特征图，公式为：
Figure BDA0003519005560000071
其中：上标表示所在的层数；*为卷积操作；
Figure BDA0003519005560000072
表示卷积后第j个神经元的输出；
Figure BDA0003519005560000073
表示第1层第i个神经元，即输入数据；
Figure BDA0003519005560000074
表示滤波器；
Figure BDA0003519005560000075
表示偏置；Mj表示选择的输入特征图的集合。
本发明中，步骤S3的MR-CNN在每个卷积层之后都加上一个批量归一化层，减少了初始化的强依赖性的同时，改善了整个网络的梯度流，使网络具有更好的鲁棒性，批量归一化公式如下：
Figure BDA0003519005560000076
Figure BDA0003519005560000077
Figure BDA0003519005560000078
其中：B＝{x1，x2…，xm}表示m个小批量输入，μB表示小批量均值，
Figure BDA0003519005560000079
表示小批量方差，γ，β表示需要学习的超参数，ξ表示小批量方差的一个常量。
本发明中，步骤S3的MR-CNN选择Swish函数作为网络模型的激活函数以提高图像的分类精确率。它的数学表达式为：
f(x)＝x·σ(x)
σ(x)＝1/(1+exp(-x)) (6)1
其中σ(x)为Sigmoid函数。
本发明中，步骤S2采用图像归一法和图像增强法对采集的生物图像数据进行预处理。
本发明：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；通过MR-CNN算法对预处理后的生物图像数据进行目标检测；获取预处理后的生物图像，将生物图像平均裁剪成四个方向的子区域，同时在生物图像上取与四个子区域图像尺寸相同的中心区域，分别标记为生物图像的左上方分块LT、右上方分块RT、左下方分块LB、右下方分块RB和中心区域C；对生物图像计算卷积，同时计算批量归一化后得到特征图RG；对五个小分块分别计算卷积，计算批量归一化后得到特征图RLT、RRT、RLB、RRB和RC；将特征图RG、RLT、RRT、RLB、RRB和RC进行级联；把级联后输出的特征图作为下一个卷积层的输入，且计算卷积，同时计算批量归一化后得到特征图；将上一步得到的特征图作为全局平均池化层的输入，利用Softmax分类器得到图像的分类结果；用交叉熵计算分类结果和标签的差异，通过卷积神经网络模型专用的反向传播算法调节并更新参数kij，直到损失函数收敛于一个较小的值，训练完毕；输入测试集，利用训练得到的网络对测试图像进行分类；将检测后的生物图像与图像信息匹配，进行生态生物识别。
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 (8)

1.基于MR-CNN算法的生态生物识别方法，其特征在于，包括如下步骤：
S1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
S2对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
S3通过MR-CNN算法对预处理后的生物图像数据进行目标检测；
S31获取预处理后的生物图像，将生物图像平均裁剪成四个方向的子区域，同时在生物图像上取与四个子区域图像尺寸相同的中心区域，分别标记为生物图像的左上方分块LT、右上方分块RT、左下方分块LB、右下方分块RB和中心区域C；
S32对生物图像计算卷积，同时计算批量归一化后得到特征图RG；
S33对五个小分块分别计算卷积，计算批量归一化后得到特征图RLT、RRT、RLB、RRB和RC；
S34将特征图RG、RLT、RRT、RLB、RRB和RC进行级联；
S35把级联后输出的特征图作为下一个卷积层的输入，且计算卷积，同时计算批量归一化后得到特征图；
S36将上一步得到的特征图作为全局平均池化层的输入，利用Softmax分类器得到图像的分类结果；
S37用交叉熵计算分类结果和标签的差异，通过卷积神经网络模型专用的反向传播算法调节并更新参数kij，直到损失函数收敛于一个较小的值，训练完毕；
S38输入测试集，利用训练得到的网络对测试图像进行分类；
S4将检测后的生物图像与图像信息匹配，进行生态生物识别。
2.根据权利要求1所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述步骤S31先把生物图像输入MR-CNN模块一与不同尺寸的滤波器进行卷积操作，各分块图像分别输入MR-CNN模块二进行卷积操作。
3.根据权利要求2所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述滤波器的尺寸先采用3×3，通过滤波器提取各分块图像的上下文特征信息，再使用1×1的滤波器保持特征图尺度不变的前提下大幅增加非线性特性，使网络能提取到更有鲁棒性的特征。
4.根据权利要求2所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述生物图像和各分块图像进行卷积操作后，然后对原始图像和各分块卷积后的特征图级联后再输入MR-CNN模块三，以一种信息补充的方式学习到图像的上下文交互特征，其中模块三采用两层3×3滤波器加一层1×1一层滤波器。
5.根据权利要求1所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述生物图像与滤波器进行卷积后通过一个激活函数，得到输出特征图，公式为：
Figure FDA0003519005550000021
其中：上标表示所在的层数；*为卷积操作；
Figure FDA0003519005550000031
表示卷积后第j个神经元的输出；
Figure FDA0003519005550000032
表示第l层第i个神经元，即输入数据；
Figure FDA0003519005550000033
表示滤波器；
Figure FDA0003519005550000034
表示偏置；Mj表示选择的输入特征图的集合。
6.根据权利要求1所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述步骤S3的MR-CNN在每个卷积层之后都加上一个批量归一化层，减少了初始化的强依赖性的同时，改善了整个网络的梯度流，使网络具有更好的鲁棒性，批量归一化公式如下：
Figure FDA0003519005550000035
Figure FDA0003519005550000036
Figure FDA0003519005550000037
其中：B＝{x1,x2…,xm}表示m个小批量输入，μB表示小批量均值，
Figure FDA0003519005550000038
表示小批量方差，γ，β表示需要学习的超参数，ξ表示小批量方差的一个常量。
7.根据权利要求1所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述步骤S3的MR-CNN选择Swish函数作为网络模型的激活函数以提高图像的分类精确率。它的数学表达式为：
f(x)＝x·σ(x)
σ(x)＝1/(1+exp(-x))(6)1
其中σ(x)为Sigmoid函数。
8.根据权利要求1所述的基于MR-CNN算法的生态生物识别方法，其特征在于，所述步骤S2采用图像归一法和图像增强法对采集的生物图像数据进行预处理。
CN202210172671.0A 2022-02-24 2022-02-24 基于mr-cnn算法的生态生物识别方法 Pending CN114548291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210172671.0A CN114548291A (zh) 2022-02-24 2022-02-24 基于mr-cnn算法的生态生物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210172671.0A CN114548291A (zh) 2022-02-24 2022-02-24 基于mr-cnn算法的生态生物识别方法

Publications (1)

Publication Number Publication Date
CN114548291A true CN114548291A (zh) 2022-05-27

Family

ID=81678327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210172671.0A Pending CN114548291A (zh) 2022-02-24 2022-02-24 基于mr-cnn算法的生态生物识别方法

Country Status (1)

Country Link
CN (1) CN114548291A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453032A (zh) * 2023-06-16 2023-07-18 福建农林大学 一种海洋生态检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453032A (zh) * 2023-06-16 2023-07-18 福建农林大学 一种海洋生态检测系统
CN116453032B (zh) * 2023-06-16 2023-08-25 福建农林大学 一种海洋生态检测系统

Similar Documents

Publication Publication Date Title
Nanehkaran et al. Recognition of plant leaf diseases based on computer vision
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及系统
Li et al. SAR image change detection using PCANet guided by saliency detection
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
Mathur et al. Crosspooled FishNet: transfer learning based fish species classification model
CN110717451B (zh) 一种基于深度学习的药用植物叶部病害图像识别方法
Oliva et al. Multilevel thresholding by fuzzy type II sets using evolutionary algorithms
Alsmadi et al. Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree
CN111832642A (zh) 一种基于vgg16在昆虫分类学上的图像识别方法
Tan et al. Rapid fine-grained classification of butterflies based on FCM-KM and mask R-CNN fusion
Chelak et al. EDEN: deep feature distribution pooling for Saimaa ringed seals pattern matching
Borman et al. Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square
CN114548291A (zh) 基于mr-cnn算法的生态生物识别方法
Kalpana et al. An image based classification and prediction of diseases on cotton leaves using deep learning techniques
Xue et al. Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block
Anwar et al. Bacterial Blight and Cotton Leaf Curl Virus Detection Using Inception V4 Based CNN Model for Cotton Crops
CN109934281B (zh) 一种二分类网络的非监督训练方法
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN116524255A (zh) 基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法
Deepan et al. Comparative analysis of scene classification methods for remotely sensed images using various convolutional neural network
Jumarlis Detecting Diseases on Clove Leaves Using GLCM and Clustering K-Means
Enawugaw et al. Machine Learning Based Soil-Type Classification
CN114548197A (zh) 一种基于自律学习sdl模型的聚类方法
Mundada et al. Detection and classification of leaf disease using deep neural network
Dixit et al. An Improved Approach To Classify Plant Disease Using CNN And Random Forest

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