CN114842510A - 基于ScratchDet算法的生态生物识别方法 - Google Patents
基于ScratchDet算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN114842510A CN114842510A CN202210592546.5A CN202210592546A CN114842510A CN 114842510 A CN114842510 A CN 114842510A CN 202210592546 A CN202210592546 A CN 202210592546A CN 114842510 A CN114842510 A CN 114842510A
- Authority
- CN
- China
- Prior art keywords
- biological
- ecological
- image
- algorithm
- scatchdet
- 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 22
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012512 characterization method Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000010865 sewage Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于ScratchDet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通过采集器采集生物图像，并将采集的生物图像进行存储；对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息。本发明基于scratch训练的single‑shot目标检测网络‑ScratchDet，该网络结合了BN操作有利于网络的收敛，此方法适用于任意类型的网络结构，引入了新的backbone Root‑ResNet，提高了小目标的检测效果，提高了生物识别率。
Description
技术领域
本发明涉及生物识别技术领域，尤其涉及基于ScratchDet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。然而，现有的水生生物图像识别时，特征识别时容易出现偏差，识别率较低。
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ScratchDet算法的生态生物识别方法。
本发明提出的基于ScratchDet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通过采集器采集生物图像，并将采集的生物图像进行存储；
S2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；
S3获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；
S4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；
S5通过ScratchDet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；
S6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；
S7选取待识别的生物图像特征，并与生态特征数据库中的特征数据进行对比识别。
优选的，所述步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。
优选的，所述生物图像采用混合滤波方法对原始图片做降噪处理。
优选的，所述步骤S4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
优选的，所述步骤S5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。
优选的，所述步骤S1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
优选的，所述步骤S6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。
优选的，所述步骤S7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。
本发明中，所述基于ScratchDet算法的生态生物识别方法，基于scratch训练的single-shot目标检测网络-ScratchDet，该网络结合了BN操作有利于网络的收敛，此方法适用于任意类型的网络结构，引入了新的backbone Root-ResNet，提高了小目标的检测效果，提高了生物识别率。
附图说明
图1为本发明提出的基于ScratchDet算法的生态生物识别方法的流程图。
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，基于ScratchDet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通过采集器采集生物图像，并将采集的生物图像进行存储；
S2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；
S3获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；
S4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；
S5通过ScratchDet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；
S6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；
S7选取待识别的生物图像特征，并与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S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。
本发明中，生物图像采用混合滤波方法对原始图片做降噪处理。
本发明中，步骤S4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
本发明中，步骤S5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。
本发明中，步骤S1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
本发明中，步骤S6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。
本发明中，步骤S7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。
本发明：发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；通过ScratchDet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；选取待识别的生物图像特征，并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ScratchDet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通过采集器采集生物图像，并将采集的生物图像进行存储；
S2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；
S3获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；
S4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；
S5通过ScratchDet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；
S6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；
S7选取待识别的生物图像特征，并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ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。
3.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述生物图像采用混合滤波方法对原始图片做降噪处理。
4.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
5.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。
6.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
7.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。
8.根据权利要求1所述的基于ScratchDet算法的生态生物识别方法，其特征在于，所述步骤S7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592546.5A CN114842510A (zh) | 2022-05-27 | 2022-05-27 | 基于ScratchDet算法的生态生物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592546.5A CN114842510A (zh) | 2022-05-27 | 2022-05-27 | 基于ScratchDet算法的生态生物识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114842510A true CN114842510A (zh) | 2022-08-02 |
Family
ID=82572583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210592546.5A Pending CN114842510A (zh) | 2022-05-27 | 2022-05-27 | 基于ScratchDet算法的生态生物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114842510A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN111914599A (zh) * | 2019-05-09 | 2020-11-10 | 四川大学 | 一种基于语义信息多层特征融合的细粒度鸟类识别方法 |
| WO2020258793A1 (zh) * | 2019-06-26 | 2020-12-30 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练 |
| CN114399793A (zh) * | 2022-01-18 | 2022-04-26 | 澜途集思(深圳)数字科技有限公司 | 基于SPP-Net算法的生态生物识别方法 |
-
2022
- 2022-05-27 CN CN202210592546.5A patent/CN114842510A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN111914599A (zh) * | 2019-05-09 | 2020-11-10 | 四川大学 | 一种基于语义信息多层特征融合的细粒度鸟类识别方法 |
| WO2020258793A1 (zh) * | 2019-06-26 | 2020-12-30 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练 |
| CN114399793A (zh) * | 2022-01-18 | 2022-04-26 | 澜途集思(深圳)数字科技有限公司 | 基于SPP-Net算法的生态生物识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| Treloar et al. | Towards automation of palynology 1: analysis of pollen shape and ornamentation using simple geometric measures, derived from scanning electron microscope images | |
| CN114842510A (zh) | 基于ScratchDet算法的生态生物识别方法 | |
| CN115035400A (zh) | 基于DetectoRS算法的生态生物识别方法 | |
| US20200380671A1 (en) | Medical image detection | |
| CN114387625A (zh) | 基于fpn算法的生态生物识别方法 | |
| CN114842511A (zh) | 基于Reasoning-RCNN算法的生态生物识别方法 | |
| CN114973331A (zh) | 基于Auto-FPN算法的生态生物识别方法 | |
| CN115050049A (zh) | 基于Libra R-CNN算法的生态生物识别方法 | |
| CN115019161A (zh) | 基于EfficientDet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 | |
| CN115019335A (zh) | 基于dafs算法的生态生物识别方法 | |
| Salguero et al. | Automatic detection of Cryptosporidium in optical microscopy images using YOLOv5 x: a comparative study | |
| CN115049829A (zh) | 基于htc算法的生态生物识别方法 | |
| CN114998933A (zh) | 基于TridentNet算法的生态生物识别方法 | |
| CN115205642A (zh) | 基于nats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 | |
| CN115035399A (zh) | 基于SpineNet算法的生态生物识别方法 | |
| CN114821668A (zh) | 基于r-dad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 | |
| CN114913551A (zh) | 基于fsaf算法的生态生物识别方法 | |
| CN114550214A (zh) | 基于ron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 | |
| CN114708458A (zh) | 基于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 |