CN114693980A - 基于Light-Head R-CNN算法的生态生物识别方法 - Google Patents
基于Light-Head R-CNN算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN114693980A CN114693980A CN202210369548.8A CN202210369548A CN114693980A CN 114693980 A CN114693980 A CN 114693980A CN 202210369548 A CN202210369548 A CN 202210369548A CN 114693980 A CN114693980 A CN 114693980A
- Authority
- CN
- China
- Prior art keywords
- ecological
- image data
- light
- biological
- head
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000010865 sewage Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 231100000820 toxicity test Toxicity 0.000 description 1
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
-
- 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
本发明公开了基于Light‑HeadR‑CNN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收集分类,并建立分布式生态特征数据库;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分析处理,并将分析处理后的生物图像数据进行存储;通过Light‑HeadR‑CNN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与分布式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Light‑HeadR‑CNN算法,能够提高目标检测的速度和准确度,有效的提高了生态生物识别的速度和精确度。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于Light-Head R-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;
然而,水生生物数量较多,采集的生物图像较多,现有的生物识别方法对对较多的生物图像识别速度和识别精度不高。
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Light-Head R-CNN算法的生态生物识别方法。
本发明提出的基于Light-Head R-CNN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收集分类,并建立分布式生态特征数据库;
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分析处理,并将分析处理后的生物图像数据进行存储;
S4通过Light-Head R-CNN算法对采集的生物图像数据进行目标检测;
S41先用分类网络提取特征得到2048维的feature map;
S42然后用channel数为10*P*P的1*1卷积来生成position-sensitive的scoremap;
S43然后经过一个large separable convolution生成10维的thinner featuremap,thinner feature map的大小是P*P,该层的输入包含前面一层生成的score map,还包括RPN网络生成的ROI;
S44最后经过一个global average pool层得到10维的1*1feature map;
S5将得到的所需识别的生物图像数据与分布式生态特征数据库中的特征数据进行对比识别。
优选的,所述步骤S41特征提取网络使用了Resnet-101和Xception两种类型的网络。
优选的,所述步骤S41特征提取网络还使用了NMS来降低overlapping,最后得到ROI。
优选的,所述thinner feature map网络的thinner feature map channels为10*p*p=490。
优选的,所述步骤S2采集生物图像数据,采用图像归一法和图像增强法对所述生物图像数据进行预处理。
优选的,所述步骤S5对比识别成功的生物图像数据发送至分布式生态特征数据库中进行存储。
优选的,所述步骤S2采集的生物图像数据进行拆分提纯,剔除无用数据信息。
优选的,所述步骤S5生物图像数据与分布式生态特征数据库中的特征数据进行对比识别成功后,进行信息提示并展示。
本发明中,所述基于Light-Head R-CNN算法的生态生物识别方法,通过设置Light-Head R-CNN算法,能够提高目标检测的速度和准确度,有效的提高了生态生物识别的速度和精确度。
附图说明
图1为本发明提出的基于Light-Head R-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Light-Head R-CNN算法的生态生物识别方法的目标检测流程图。
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Light-Head R-CNN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收集分类,并建立分布式生态特征数据库;
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分析处理,并将分析处理后的生物图像数据进行存储;
S4通过Light-Head R-CNN算法对采集的生物图像数据进行目标检测;
S41先用分类网络提取特征得到2048维的feature map;
S42然后用channel数为10*P*P的1*1卷积来生成position-sensitive的scoremap;
S43然后经过一个large separable convolution生成10维的thinner featuremap,thinner feature map的大小是P*P,该层的输入包含前面一层生成的score map,还包括RPN网络生成的ROI;
S44最后经过一个global average pool层得到10维的1*1feature map;
S5将得到的所需识别的生物图像数据与分布式生态特征数据库中的特征数据进行对比识别。
本发明中,步骤S41特征提取网络使用了Resnet-101和Xception两种类型的网络。
本发明中,步骤S41特征提取网络还使用了NMS来降低overlapping,最后得到ROI。
本发明中,thinner feature map网络的thinner feature map channels为10*p*p=490。
本发明中,步骤S2采集生物图像数据,采用图像归一法和图像增强法对生物图像数据进行预处理。
本发明中,步骤S5对比识别成功的生物图像数据发送至分布式生态特征数据库中进行存储。
本发明中,步骤S2采集的生物图像数据进行拆分提纯,剔除无用数据信息。
本发明中,步骤S5生物图像数据与分布式生态特征数据库中的特征数据进行对比识别成功后,进行信息提示并展示。
本发明:收集生态生物特征,将收集的生态特征进行收集分类,并建立分布式生态特征数据库;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分析处理,并将分析处理后的生物图像数据进行存储;通过Light-HeadR-CNN算法对采集的生物图像数据进行目标检测;先用分类网络提取特征得到2048维的feature map;然后用channel数为10*P*P的1*1卷积来生成position-sensitive的scoremap;然后经过一个large separable convolution生成10维的thinner feature map,thinner feature map的大小是P*P,该层的输入包含前面一层生成的score map,还包括RPN网络生成的ROI;最后经过一个global average pool层得到10维的1*1feature map;将得到的所需识别的生物图像数据与分布式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Light-Head R-CNN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收集分类,并建立分布式生态特征数据库;
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分析处理,并将分析处理后的生物图像数据进行存储;
S4通过Light-Head R-CNN算法对采集的生物图像数据进行目标检测;
S41先用分类网络提取特征得到2048维的feature map;
S42然后用channel数为10*P*P的1*1卷积来生成position-sensitive的score map;
S43然后经过一个large separable convolution生成10维的thinner feature map,thinner feature map的大小是P*P,该层的输入包含前面一层生成的score map,还包括RPN网络生成的ROI;
S44最后经过一个global average pool层得到10维的1*1feature map;
S5将得到的所需识别的生物图像数据与分布式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Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S41特征提取网络使用了Resnet-101和Xception两种类型的网络。
3.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S41特征提取网络还使用了NMS来降低overlapping,最后得到ROI。
4.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述thinner feature map网络的thinner feature map channels为10*p*p=490。
5.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S2采集生物图像数据,采用图像归一法和图像增强法对所述生物图像数据进行预处理。
6.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S5对比识别成功的生物图像数据发送至分布式生态特征数据库中进行存储。
7.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S2采集的生物图像数据进行拆分提纯,剔除无用数据信息。
8.根据权利要求1所述的基于Light-Head R-CNN算法的生态生物识别方法,其特征在于,所述步骤S5生物图像数据与分布式生态特征数据库中的特征数据进行对比识别成功后,进行信息提示并展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369548.8A CN114693980A (zh) | 2022-04-08 | 2022-04-08 | 基于Light-Head R-CNN算法的生态生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369548.8A CN114693980A (zh) | 2022-04-08 | 2022-04-08 | 基于Light-Head R-CNN算法的生态生物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693980A true CN114693980A (zh) | 2022-07-01 |
Family
ID=82143337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210369548.8A Pending CN114693980A (zh) | 2022-04-08 | 2022-04-08 | 基于Light-Head R-CNN算法的生态生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693980A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149690A (zh) * | 2020-09-29 | 2020-12-29 | 厦门大学 | 一种基于生物图像特征识别的溯源方法和溯源系统 |
-
2022
- 2022-04-08 CN CN202210369548.8A patent/CN114693980A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149690A (zh) * | 2020-09-29 | 2020-12-29 | 厦门大学 | 一种基于生物图像特征识别的溯源方法和溯源系统 |
Non-Patent Citations (2)
Title |
---|
Z_NO: "Detection Performance and Efficiency", pages 1 - 9, Retrieved from the Internet <URL:https://blog.csdn.net/qq_29766287/article/details/81085712> * |
究竟灰: "[读论文]Light-Head R-CNN:In Defense of Two-Stage Object Detector", pages 1 - 10, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/38947055> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
CN109583452B (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
CN112085742A (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN114693980A (zh) | 基于Light-Head R-CNN算法的生态生物识别方法 | |
CN114399793A (zh) | 基于SPP-Net算法的生态生物识别方法 | |
Huynh et al. | Automatic classification of shoeprints for use in forensic science based on the Fourier transform | |
CN115661185A (zh) | 一种眼底图像血管分割方法及系统 | |
CN114387625A (zh) | 基于fpn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 | |
CN115147708A (zh) | 基于mlkp算法的生态生物识别方法 | |
CN115019335A (zh) | 基于dafs算法的生态生物识别方法 | |
CN114581937A (zh) | 基于r-fcn算法的生态生物识别方法 | |
CN114565830A (zh) | 基于CoupleNet算法的生态生物识别方法 | |
CN114821662A (zh) | 基于PFPNet算法的生态生物识别方法 | |
CN114863467A (zh) | 基于AmoebaNet+NAS-FPN算法的生态生物识别方法 | |
CN115147707A (zh) | 基于RFBNet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 | |
CN114821646A (zh) | 基于Cascade R-CNN算法的生态生物识别方法 | |
CN114973301A (zh) | 基于Cascade-RetinaNet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 |