CN114550214A - 基于ron算法的生态生物识别方法 - Google Patents
基于ron算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN114550214A CN114550214A CN202210173463.2A CN202210173463A CN114550214A CN 114550214 A CN114550214 A CN 114550214A CN 202210173463 A CN202210173463 A CN 202210173463A CN 114550214 A CN114550214 A CN 114550214A
- Authority
- CN
- China
- Prior art keywords
- ecological
- output
- ron
- biological
- algorithm
- 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
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于RON算法的生态生物识别方法,包括如下步骤:收集生态生物特征,将收集的生态特征进行分类,并建立生态特征数据库;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图像处理,并将处理后的生物图像数据进行存储;通过RON算法对采集的生物图像数据进行目标检测;将得到的所需识别的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。本发明通过设置有RON算法,RON中没有roipooling层,对于坐标的回归直接在类似RPN网络的回归分支中完成,对坐标的回归操作只进行一次,能够有效的提高目标检测的速度,提高了生物识别的速度。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于RON算法的生态生物识别方法。
背景技术
水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度,将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快,在另一环境下则可能死亡,这是由河水中的不同成分决定的。因此,只要分析河流中水生物的类型构成,就可对某一河段中存在什么样的化学物质做出判断。
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。
目前通过生物识别技术对水生物进行识别,然而,现有的生物识别技术识别速度慢,不便于快速的对水生物识别。
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RON算法的生态生物识别方法。
本发明提出的基于RON算法的生态生物识别方法,包括如下步骤:
S1收集生态生物特征,将收集的生态特征进行分类,并建立生态特征数据库;
S2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;
S3对采集的生物图像数据进行图像处理,并将处理后的生物图像数据进行存储;
S4通过RON算法对采集的生物图像数据进行目标检测;
S41输入图像大小是320的生物图像,则conv4的输出feature map大小是40*40,conv5的输出feature map大小是20*20,conv6的输出feature map大小是10*10,conv7的输出feature map大小是5*5;
S42当图像输入网络时先经过特征提取网络提取特征;
S43然后在conv7层的输出后面接一个reverse connection block,conv7是最后一层,对conv7的输出接一个卷积层;
S44然后对conv7输出的rf-map做反卷积后和conv6的输出做加法得到conv6的rf-map,再基于conv6的rf-map和conv5的输出得到conv5的rf-map,一直到最后得到conv4的rf-map;
S5将得到的所需识别的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
优选的,所述RON中是先将不同尺寸的feature map通过deconvolution的方式融合在一起,这样浅层的feature map就融合了高层的feature map信息,然后基于融合后的4个feature map层做预测,最后将这4个层预测得到的bbox整合在一起输出就得到整个网络的输出结果。
优选的,所述RON算法中正负样本包含两种情况:某个ground truth和所有bbox的IOU最大的那个bbox,和任意一个ground truth的IOU大于0.5的bbox,负样本则是和所有ground truth的IOU小于0.3的bbox,另外当输入图像大小为320*320时,batch size取18。
优选的,所述RON的主网络为VGG-16。
优选的,所述不同尺寸的feature map的融合,具体过程为:conv n表示第n层的输出,该输出经过一个3*3卷积层后得到的输出与n+1层输出的rf-map经过2*2的反卷积层后得到的输出做element-wise addition得到第n层的rf-map。
优选的,所述步骤S3对采集的生物图像数据进行图像处理:对生物图像做颜色校正处理。
优选的,所述步骤S3还采用混合滤波方法对原始图片做降噪处理,降噪处理:通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点,从而准确显示所融合后的高动态范围图像。
优选的,所述步骤S5生物图像数据特征与生态特征数据库中的特征数据对比识别后,将生物图像数据特征发送至生态特征数据库进行存储。
本发明中,所述基于RON算法的生态生物识别方法,通过设置有RON算法,RON中没有roi pooling层,对于坐标的回归直接在类似RPN网络的回归分支中完成,对坐标的回归操作只进行一次,能够有效的提高目标检测的速度,提高了生物识别的速度。
附图说明
图1为本发明提出的基于RON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RON算法的生态生物识别方法的目标检测图。
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RON算法的生态生物识别方法,包括如下步骤:
S1收集生态生物特征,将收集的生态特征进行分类,并建立生态特征数据库;
S2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;
S3对采集的生物图像数据进行图像处理,并将处理后的生物图像数据进行存储;
S4通过RON算法对采集的生物图像数据进行目标检测;
S41输入图像大小是320的生物图像,则conv4的输出feature map大小是40*40,conv5的输出feature map大小是20*20,conv6的输出feature map大小是10*10,conv7的输出feature map大小是5*5;
S42当图像输入网络时先经过特征提取网络提取特征;
S43然后在conv7层的输出后面接一个reverse connection block,conv7是最后一层,对conv7的输出接一个卷积层;
S44然后对conv7输出的rf-map做反卷积后和conv6的输出做加法得到conv6的rf-map,再基于conv6的rf-map和conv5的输出得到conv5的rf-map,一直到最后得到conv4的rf-map;
S5将得到的所需识别的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
本发明中,RON中是先将不同尺寸的feature map通过deconvolution的方式融合在一起,这样浅层的feature map就融合了高层的feature map信息,然后基于融合后的4个feature map层做预测,最后将这4个层预测得到的bbox整合在一起输出就得到整个网络的输出结果。
本发明中,RON算法中正负样本包含两种情况:某个ground truth和所有bbox的IOU最大的那个bbox,和任意一个ground truth的IOU大于0.5的bbox,负样本则是和所有ground truth的IOU小于0.3的bbox,另外当输入图像大小为320*320时,batch size取18。
本发明中,RON的主网络为VGG-16。
本发明中,不同尺寸的feature map的融合,具体过程为:conv n表示第n层的输出,该输出经过一个3*3卷积层后得到的输出与n+1层输出的rf-map经过2*2的反卷积层后得到的输出做element-wise addition得到第n层的rf-map。
本发明中,步骤S3对采集的生物图像数据进行图像处理:对生物图像做颜色校正处理。
本发明中,步骤S3还采用混合滤波方法对原始图片做降噪处理,降噪处理:通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点,从而准确显示所融合后的高动态范围图像。
本发明中,步骤S5生物图像数据特征与生态特征数据库中的特征数据对比识别后,将生物图像数据特征发送至生态特征数据库进行存储。
本发明:收集生态生物特征,将收集的生态特征进行分类,并建立生态特征数据库;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图像处理,并将处理后的生物图像数据进行存储;通过RON算法对采集的生物图像数据进行目标检测;输入图像大小是320的生物图像,则conv4的输出feature map大小是40*40,conv5的输出feature map大小是20*20,conv6的输出feature map大小是10*10,conv7的输出feature map大小是5*5;当图像输入网络时先经过特征提取网络提取特征;然后在conv7层的输出后面接一个reverse connection block,conv7是最后一层,对conv7的输出接一个卷积层;然后对conv7输出的rf-map做反卷积后和conv6的输出做加法得到conv6的rf-map,再基于conv6的rf-map和conv5的输出得到conv5的rf-map,一直到最后得到conv4的rf-map;将得到的所需识别的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
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RON算法的生态生物识别方法,其特征在于,包括如下步骤:
S1收集生态生物特征,将收集的生态特征进行分类,并建立生态特征数据库;
S2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;
S3对采集的生物图像数据进行图像处理,并将处理后的生物图像数据进行存储;
S4通过RON算法对采集的生物图像数据进行目标检测;
S41输入图像大小是320的生物图像,则conv4的输出feature map大小是40*40,conv5的输出feature map大小是20*20,conv6的输出feature map大小是10*10,conv7的输出feature map大小是5*5;
S42当图像输入网络时先经过特征提取网络提取特征;
S43然后在conv7层的输出后面接一个reverse connection block,conv7是最后一层,对conv7的输出接一个卷积层;
S44然后对conv7输出的rf-map做反卷积后和conv6的输出做加法得到conv6的rf-map,再基于conv6的rf-map和conv5的输出得到conv5的rf-map,一直到最后得到conv4的rf-map;
S5将得到的所需识别的生物图像数据特征与生态特征数据库中的特征数据进行对比识别。
2.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述RON中是先将不同尺寸的feature map通过deconvolution的方式融合在一起,这样浅层的featuremap就融合了高层的feature map信息,然后基于融合后的4个feature map层做预测,最后将这4个层预测得到的bbox整合在一起输出就得到整个网络的输出结果。
3.根据权利要求2所述的基于RON算法的生态生物识别方法,其特征在于,所述RON算法中正负样本包含两种情况:某个ground truth和所有bbox的IOU最大的那个bbox,和任意一个ground truth的IOU大于0.5的bbox,负样本则是和所有ground truth的IOU小于0.3的bbox,另外当输入图像大小为320*320时,batch size取18。
4.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述RON的主网络为VGG-16。
5.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述不同尺寸的feature map的融合,具体过程为:conv n表示第n层的输出,该输出经过一个3*3卷积层后得到的输出与n+1层输出的rf-map经过2*2的反卷积层后得到的输出做element-wiseaddition得到第n层的rf-map。
6.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述步骤S3对采集的生物图像数据进行图像处理:对生物图像做颜色校正处理。
7.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述步骤S3还采用混合滤波方法对原始图片做降噪处理,降噪处理:通过利用色调映射方法并采用16比特浮点数据表征各帧原始图像中的每一个像素点,从而准确显示所融合后的高动态范围图像。
8.根据权利要求1所述的基于RON算法的生态生物识别方法,其特征在于,所述步骤S5生物图像数据特征与生态特征数据库中的特征数据对比识别后,将生物图像数据特征发送至生态特征数据库进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173463.2A CN114550214A (zh) | 2022-02-24 | 2022-02-24 | 基于ron算法的生态生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173463.2A CN114550214A (zh) | 2022-02-24 | 2022-02-24 | 基于ron算法的生态生物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550214A true CN114550214A (zh) | 2022-05-27 |
Family
ID=81677434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210173463.2A Pending CN114550214A (zh) | 2022-02-24 | 2022-02-24 | 基于ron算法的生态生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550214A (zh) |
-
2022
- 2022-02-24 CN CN202210173463.2A patent/CN114550214A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN114283162A (zh) | 基于对比自监督学习的现实场景图像分割方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN107808396B (zh) | 易于图像分割的线虫识别方法及系统 | |
CN114550214A (zh) | 基于ron算法的生态生物识别方法 | |
CN109255794B (zh) | 一种标准件深度全卷积特征边缘检测方法 | |
CN114897823B (zh) | 一种细胞学样本图像质量控制方法、系统及存储介质 | |
CN113901865A (zh) | 一种基于宫颈细胞液基制片的霉菌识别方法及系统 | |
CN112598633A (zh) | 基于暗通道和亮通道的眼底图像质量评估方法 | |
CN115205642A (zh) | 基于nats算法的生态生物识别方法 | |
CN114743223A (zh) | 基于Fitness-NMS算法的生态生物识别方法 | |
CN116051830B (zh) | 一种面向跨模态数据融合的对比语义分割方法 | |
CN114821668A (zh) | 基于r-dad算法的生态生物识别方法 | |
CN115035398A (zh) | 基于CBNet算法的生态生物识别方法 | |
CN115035399A (zh) | 基于SpineNet算法的生态生物识别方法 | |
CN115049829A (zh) | 基于htc算法的生态生物识别方法 | |
CN114842510A (zh) | 基于ScratchDet算法的生态生物识别方法 | |
CN115147708A (zh) | 基于mlkp算法的生态生物识别方法 | |
CN113379634B (zh) | 一种基于两阶段图像上下文识别网络及单图像阴影去除方法 | |
CN114973331A (zh) | 基于Auto-FPN算法的生态生物识别方法 |
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 |