CN114863466A - 基于stdn算法的生态生物识别方法 - Google Patents
基于stdn算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN114863466A CN114863466A CN202210392149.3A CN202210392149A CN114863466A CN 114863466 A CN114863466 A CN 114863466A CN 202210392149 A CN202210392149 A CN 202210392149A CN 114863466 A CN114863466 A CN 114863466A
- Authority
- CN
- China
- Prior art keywords
- ecological
- algorithm
- stdn
- biological
- identification method
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
-
- 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
- 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
- G06V10/30—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
- G06V10/82—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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于STDN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；通过RefineDet算法对采集的待识别生物图像数据进行目标检测；将生物图像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STDN算法，能够对于小尺度特征，平均池化，对于大尺度的特征，将多个通道的特征点排列组合成一个通道，放大特征图，能够解决物体检测中不同目标检测时的尺度问题，在取得较高准确率的同时又兼顾了检测速度。
Description
技术领域
本发明涉及生物识别技术领域，尤其涉及基于STDN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。
然而，现有的对水生物进行识别的技术，在识别中对不同目标检测时的不同尺度识别检测效果不好，识别率不高，识别速度较慢。
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STDN算法的生态生物识别方法。
本发明提出的基于STDN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通过RefineDet算法对采集的待识别生物图像数据进行目标检测；
S31输入待检测的生物图像，使用DenseNet-169作为基础网络提取特征；
S32然后，使用尺度转移模块来获得不同分辨率的特征图；
S33将获取的所有不同分辨率的特征图都集合起来，全部丢到NMS中，输出筛选后的default box，并输出；
S4将生物图像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，所述步骤S31提取DenseNet-169的最后一个Dense block中的6个concatenate层作为预测的特征层。
优选的，所述尺度转移模块由池化层和尺度转换层组成，被嵌入到DenseNet网络的最后一个模块中，从而得到不同分辨率的被用来做物体检测的特征图。
优选的，所述池化层用来获得低分辨率的特征图，尺度转换层通过压缩特征图的通道数来扩大特征图的分辨率。
优选的，所述DenseNet-169的输出维度为9*9*1664，经过一个4X的scale-transfer后变为36*36*104。
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处理。
优选的，所述步骤S2对采集的生物图像做颜色校正处理，并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将识别成功结果进行发送，并将生态环境的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STDN算法的生态生物识别方法，通过设置STDN算法，能够对于小尺度特征，平均池化，对于大尺度的特征，将多个通道的特征点排列组合成一个通道，放大特征图，能够解决物体检测中不同目标检测时的尺度问题，在取得较高准确率的同时又兼顾了检测速度。
附图说明
图1为本发明提出的基于STDN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STDN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STDN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通过RefineDet算法对采集的待识别生物图像数据进行目标检测；
S31输入待检测的生物图像，使用DenseNet-169作为基础网络提取特征；
S32然后，使用尺度转移模块来获得不同分辨率的特征图；
S33将获取的所有不同分辨率的特征图都集合起来，全部丢到NMS中，输出筛选后的default box，并输出；
S4将生物图像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，步骤S31提取DenseNet-169的最后一个Dense block中的6个concatenate层作为预测的特征层。
本发明中，尺度转移模块由池化层和尺度转换层组成，被嵌入到DenseNet网络的最后一个模块中，从而得到不同分辨率的被用来做物体检测的特征图。
本发明中，池化层用来获得低分辨率的特征图，尺度转换层通过压缩特征图的通道数来扩大特征图的分辨率。
本发明中，DenseNet-169的输出维度为9*9*1664，经过一个4X的scale-transfer后变为36*36*104。
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处理。
本发明中，步骤S2对采集的生物图像做颜色校正处理，并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将识别成功结果进行发送，并将生态环境的图像数据特征存储至生态特征数据库中。
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；通过RefineDet算法对采集的待识别生物图像数据进行目标检测；输入待检测的生物图像，使用DenseNet-169作为基础网络提取特征；然后，使用尺度转移模块来获得不同分辨率的特征图；将获取的所有不同分辨率的特征图都集合起来，全部丢到NMS中，输出筛选后的default box，并输出；将生物图像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STDN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通过RefineDet算法对采集的待识别生物图像数据进行目标检测；
S31输入待检测的生物图像，使用DenseNet-169作为基础网络提取特征；
S32然后，使用尺度转移模块来获得不同分辨率的特征图；
S33将获取的所有不同分辨率的特征图都集合起来，全部丢到NMS中，输出筛选后的default box，并输出；
S4将生物图像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STDN算法的生态生物识别方法，其特征在于，所述步骤S31提取DenseNet-169的最后一个Dense block中的6个concatenate层作为预测的特征层。
3.根据权利要求1所述的基于STDN算法的生态生物识别方法，其特征在于，所述尺度转移模块由池化层和尺度转换层组成，被嵌入到DenseNet网络的最后一个模块中，从而得到不同分辨率的被用来做物体检测的特征图。
4.根据权利要求3所述的基于STDN算法的生态生物识别方法，其特征在于，所述池化层用来获得低分辨率的特征图，尺度转换层通过压缩特征图的通道数来扩大特征图的分辨率。
5.根据权利要求1所述的基于STDN算法的生态生物识别方法，其特征在于，所述DenseNet-169的输出维度为9*9*1664，经过一个4X的scale-transfer后变为36*36*104。
6.根据权利要求1所述的基于STDN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处理。
7.根据权利要求1所述的基于STDN算法的生态生物识别方法，其特征在于，所述步骤S2对采集的生物图像做颜色校正处理，并采用混合滤波方法对原始图片做降噪处理。
8.根据权利要求1所述的基于STDN算法的生态生物识别方法，其特征在于，所述步骤S4将识别成功结果进行发送，并将生态环境的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 |
|---|---|---|---|
| CN202210392149.3A CN114863466A (zh) | 2022-04-14 | 2022-04-14 | 基于stdn算法的生态生物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210392149.3A CN114863466A (zh) | 2022-04-14 | 2022-04-14 | 基于stdn算法的生态生物识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114863466A true CN114863466A (zh) | 2022-08-05 |
Family
ID=82632175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210392149.3A Pending CN114863466A (zh) | 2022-04-14 | 2022-04-14 | 基于stdn算法的生态生物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114863466A (zh) |
-
2022
- 2022-04-14 CN CN202210392149.3A patent/CN114863466A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
| 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 | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
| CN113450336B (zh) | 一种多孔荧光微阵列图像的处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN114359238A (zh) | 一种识别微塑料的方法、装置和存储介质 | |
| CN114863466A (zh) | 基于stdn算法的生态生物识别方法 | |
| CN117474857A (zh) | 污泥活性检测模型、建模方法、检测方法和预警方法 | |
| CN115578553B (zh) | 一种基于时序图像序列的甲醛的快速检测方法 | |
| CN110097552A (zh) | 一种小鼠前额叶神经元双光子荧光图像的自动分割方法 | |
| CN115049930A (zh) | 基于fcos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 | |
| CN117830823B (zh) | 一种城市水生态保护的水面率值域测算方法 | |
| 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 | |
| CN115019161A (zh) | 基于EfficientDet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 | |
| CN114821668A (zh) | 基于r-dad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 | |
| CN114998933A (zh) | 基于TridentNet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 | |
| CN114973331A (zh) | 基于Auto-FPN算法的生态生物识别方法 | |
| CN118468142B (zh) | 基于交叉关联注意力的少样本拉曼光谱识别方法和装置 | |
| CN116309543B (zh) | 基于图像的循环肿瘤细胞检测设备 | |
| CN115147708A (zh) | 基于mlkp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 |