CN115035399A - 基于SpineNet算法的生态生物识别方法 - Google Patents
基于SpineNet算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN115035399A CN115035399A CN202210769364.0A CN202210769364A CN115035399A CN 115035399 A CN115035399 A CN 115035399A CN 202210769364 A CN202210769364 A CN 202210769364A CN 115035399 A CN115035399 A CN 115035399A
- Authority
- CN
- China
- Prior art keywords
- biological
- ecological
- spinenet
- image
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G06V10/77—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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于SpineNet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多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图。本发明通过设置SpineNet算法，能够有效的减小算力的需求，且有效的提高了目标检测的精确度，能够用更少的计算和近似相同数量的参数，可以获得更高的精度。
Description
技术领域
本发明涉及生物识别技术领域，尤其涉及基于SpineNet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，特征不明显，计算量较大，且精确度不高。
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SpineNet算法的生态生物识别方法。
本发明提出的基于SpineNet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多个生物图像；
S2对采集的生物图像数据进行处理，得到处理后的生物图像；
S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；
S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；
S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；
S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；
S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
优选的，所述步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。
优选的，所述步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。
优选的，所述生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。
优选的，所述步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间数据中色调为白色的像素。
优选的，所述步骤S2还采用混合滤波方法对生物图像做降噪处理。
优选的，所述步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。
优选的，所述步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。
本发明中，所述基于SpineNet算法的生态生物识别方法，通过设置SpineNet算法，能够有效的减小算力的需求，且有效的提高了目标检测的精确度，能够用更少的计算和近似相同数量的参数，可以获得更高的精度。
附图说明
图1为本发明提出的基于SpineNet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SpineNet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多个生物图像；
S2对采集的生物图像数据进行处理，得到处理后的生物图像；
S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；
S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；
S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；
S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；
S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
本发明中，步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。
本发明中，步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。
本发明中，生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。
本发明中，步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间数据中色调为白色的像素。
本发明中，步骤S2还采用混合滤波方法对生物图像做降噪处理。
本发明中，步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。
本发明中，步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。
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多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
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SpineNet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多个生物图像；
S2对采集的生物图像数据进行处理，得到处理后的生物图像；
S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；
S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；
S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；
S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；
S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
2.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。
3.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。
4.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。
5.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间数据中色调为白色的像素。
6.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S2还采用混合滤波方法对生物图像做降噪处理。
7.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。
8.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210769364.0A CN115035399A (zh) | 2022-06-30 | 2022-06-30 | 基于SpineNet算法的生态生物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210769364.0A CN115035399A (zh) | 2022-06-30 | 2022-06-30 | 基于SpineNet算法的生态生物识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115035399A true CN115035399A (zh) | 2022-09-09 |
Family
ID=83128595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210769364.0A Pending CN115035399A (zh) | 2022-06-30 | 2022-06-30 | 基于SpineNet算法的生态生物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115035399A (zh) |
-
2022
- 2022-06-30 CN CN202210769364.0A patent/CN115035399A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363072B (zh) | 舌象识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN116386090B (zh) | 一种基于扫描图谱的浮游生物识别方法、系统及介质 | |
| CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
| CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| CN116343100B (zh) | 一种基于自监督学习的目标识别方法及系统 | |
| CN115035399A (zh) | 基于SpineNet算法的生态生物识别方法 | |
| CN115578553B (zh) | 一种基于时序图像序列的甲醛的快速检测方法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN113379716B (zh) | 一种色斑预测方法、装置、设备及存储介质 | |
| CN115049930A (zh) | 基于fcos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 | |
| CN114821668A (zh) | 基于r-dad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 | |
| CN115019335A (zh) | 基于dafs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 | |
| CN111723709B (zh) | 一种基于深度卷积神经网络的蝇类面部识别方法 | |
| CN114863466A (zh) | 基于stdn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 | |
| CN115205888A (zh) | 基于AmoebaNet+NAS-FPN+AA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 | |
| CN116883997B (zh) | 一种基于图像识别的噬菌斑计数方法及系统 | |
| CN114821662A (zh) | 基于PFPNet算法的生态生物识别方法 | |
| CN116883829B (zh) | 多源信息融合驱动的水下场景智能感知方法 | |
| CN114255203B (zh) | 一种鱼苗数量估计方法及系统 | |
| 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 |