CN114550199A - 基于YOLO v1算法的生态生物识别方法 - Google Patents
基于YOLO v1算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN114550199A CN114550199A CN202210194363.8A CN202210194363A CN114550199A CN 114550199 A CN114550199 A CN 114550199A CN 202210194363 A CN202210194363 A CN 202210194363A CN 114550199 A CN114550199 A CN 114550199A
- Authority
- CN
- China
- Prior art keywords
- ecological
- yolo
- algorithm
- biological
- image data
- 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
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
- 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
-
- 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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于YOLO v1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;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,得到预处理后的生物图像数据;通过YOLO v1算法对预处理后的生物图像数据进行目标检测;将检测后的生物图像与图像信息匹配,进行生态生物识别。本发明通过设置YOLO v1算法对生态生物识别,速度快,能够达到实时的要求,在Titan X的GPU上能够达到45帧每秒,使用全图作为Context信息,把背景错认为物体比较少,泛化能力强。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于YOLO v1算法的生态生物识别方法。
背景技术
水生生物是生活在各类水体中的生物的总称。水生生物种类繁多,有各种微生物、藻类以及水生高等植物、各种无脊椎动物和脊椎动物。其生活方式也多种多样,有漂浮、浮游、游泳、固着和穴居等。有的适于淡水中生活,有的则适于海水中生活。水生生物对构建生态平衡尤为重要,因此,需要提供对水生生物的识别来确定生态平衡;生物识别技术随着计算机技术的不断发展而得到了广泛应用,其中,生物识别技术是指,通过计算机与光学、声学、生物传感器以及生物统计学原理等手段相结合,利用生物固有的生理特性和行为特征来进行生物身份验证的技术。
然而,现有的生物识别技术识别速度慢,准确度不高,容易把背景错认为物体,泛化能力不强。
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YOLO v1算法的生态生物识别方法。
本发明提出的基于YOLO v1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,得到预处理后的生物图像数据;
S3通过YOLO v1算法对预处理后的生物图像数据进行目标检测;
S31选取整张生物图像,将图像resize到S*S个网格作为神经网络的输入;
S32运行神经网络,得到一些bounding box坐标,box中包含物体的置信度和classprobabilities;
S33进行非极大值抑制,筛选Boxes,并进行NMS处理,得到最终的检测结果;
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S2中如果某个object的中心落在这个网格中,则这个神经网格就负责预测这个object。
优选的,所述步骤S1中的每个网格要预测B个bounding box,每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值。
优选的,所述confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息,其值的计算方式为:
其中如果有object落在一个grid cell里,第一项取1,否则取0,第二项是预测的bounding box和实际的groundtruth之间的IoU值。
优选的,所述步骤S2每个bounding box要预测(x,y,w,h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类,则SxS个网格中每个网格要预测B个boundingbox还要预测C个categories,输出S x S x(5*B+C)的一个tensor。
优选的,所述步骤S3中每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个bounding box的class-specific confidence score,这个乘积即encode了预测的box属于某一类的概率,也有该box准确度的信息。
优选的,所述步骤S33得到每个bbox的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,得到最终的检测结果。
优选的,所述采集生物图像数据通过分布式存储器进行存储。
本发明中,所述基于YOLO v1算法的生态生物识别方法,通过设置YOLO v1算法对生态生物识别,速度快,能够达到实时的要求,在Titan X的GPU上能够达到45帧每秒,使用全图作为Context信息,把背景错认为物体比较少,泛化能力强。
附图说明
图1为本发明提出的基于YOLO v1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YOLO v1算法的生态生物识别方法的YOLO v1算法检测流程图。
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YOLO v1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,得到预处理后的生物图像数据;
S3通过YOLO v1算法对预处理后的生物图像数据进行目标检测;
S31选取整张生物图像,将图像resize到S*S个网格作为神经网络的输入;
S32运行神经网络,得到一些bounding box坐标,box中包含物体的置信度和classprobabilities;
S33进行非极大值抑制,筛选Boxes,并进行NMS处理,得到最终的检测结果;
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S2中如果某个object的中心落在这个网格中,则这个神经网格就负责预测这个object。
本发明中,步骤S1中的每个网格要预测B个bounding box,每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值。
本发明中,confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息,其值的计算方式为:
其中如果有object落在一个grid cell里,第一项取1,否则取0,第二项是预测的bounding box和实际的groundtruth之间的IoU值。
本发明中,步骤S2每个bounding box要预测(x,y,w,h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类,则SxS个网格中每个网格要预测B个bounding box还要预测C个categories,输出S x S x(5*B+C)的一个tensor。
本发明中,步骤S3中每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个bounding box的class-specific confidence score,这个乘积即encode了预测的box属于某一类的概率,也有该box准确度的信息。
本发明中,步骤S33得到每个bbox的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,得到最终的检测结果。
本发明中,采集生物图像数据通过分布式存储器进行存储。
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;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,得到预处理后的生物图像数据;通过YOLO v1算法对预处理后的生物图像数据进行目标检测;选取整张生物图像,将图像resize到S*S个网格作为神经网络的输入;运行神经网络,得到一些bounding box坐标,box中包含物体的置信度和class probabilities;进行非极大值抑制,筛选Boxes,并进行NMS处理,得到最终的检测结果;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YOLO v1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,得到预处理后的生物图像数据;
S3通过YOLO v1算法对预处理后的生物图像数据进行目标检测;
S31选取整张生物图像,将图像resize到S*S个网格作为神经网络的输入;
S32运行神经网络,得到一些bounding box坐标,box中包含物体的置信度和classprobabilities;
S33进行非极大值抑制,筛选Boxes,并进行NMS处理,得到最终的检测结果;
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YOLO v1算法的生态生物识别方法,其特征在于,所述步骤S2中如果某个object的中心落在这个网格中,则这个神经网格就负责预测这个object。
3.根据权利要求1所述的基于YOLO v1算法的生态生物识别方法,其特征在于,所述步骤S1中的每个网格要预测B个bounding box,每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值。
5.根据权利要求1所述的基于YOLO v1算法的生态生物识别方法,其特征在于,所述步骤S2每个bounding box要预测(x,y,w,h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类,则SxS个网格中每个网格要预测B个bounding box还要预测C个categories,输出S x S x(5*B+C)的一个tensor。
6.根据权利要求1所述的基于YOLO v1算法的生态生物识别方法,其特征在于,所述步骤S3中每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个bounding box的class-specific confidence score,这个乘积即encode了预测的box属于某一类的概率,也有该box准确度的信息。
7.根据权利要求1所述的基于YOLO v1算法的生态生物识别方法,其特征在于,所述步骤S33得到每个bbox的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,得到最终的检测结果。
8.根据权利要求1所述的基于YOLO v1算法的生态生物识别方法,其特征在于,所述采集生物图像数据通过分布式存储器进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194363.8A CN114550199A (zh) | 2022-03-01 | 2022-03-01 | 基于YOLO v1算法的生态生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194363.8A CN114550199A (zh) | 2022-03-01 | 2022-03-01 | 基于YOLO v1算法的生态生物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550199A true CN114550199A (zh) | 2022-05-27 |
Family
ID=81662367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194363.8A Pending CN114550199A (zh) | 2022-03-01 | 2022-03-01 | 基于YOLO v1算法的生态生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550199A (zh) |
-
2022
- 2022-03-01 CN CN202210194363.8A patent/CN114550199A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN112561876B (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN114897779A (zh) | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
WO2021032062A1 (zh) | 图像处理模型生成方法、图像处理方法、装置及电子设备 | |
CN115240060B (zh) | 一种海星灾害预警方法及系统 | |
CN115170942A (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN114463363A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
CN117787511B (zh) | 一种工厂化高密度水产养殖监测预警方法及其系统 | |
CN115035599A (zh) | 一种融合装备与行为特征的武装人员识别方法和系统 | |
Dubey et al. | An efficient adaptive feature selection with deep learning model-based paddy plant leaf disease classification | |
CN110111307B (zh) | 一种免疫教学用免疫系统反馈模拟系统及方法 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN114550199A (zh) | 基于YOLO v1算法的生态生物识别方法 | |
CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 | |
CN111666822A (zh) | 一种基于深度学习的低空无人机目标检测方法及系统 | |
CN115984202A (zh) | 一种斑马鱼心血管功能智能识别与评价方法 | |
Paraschiv et al. | Very Small Neural Networks for Optical Classification of Fish Images and Videos | |
Kumar et al. | Advanced Predictive Models for Decisive Stage Detection in Apple Canker Disease |
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 |