CN115035400A - 基于DetectoRS算法的生态生物识别方法 - Google Patents
基于DetectoRS算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN115035400A CN115035400A CN202210781248.0A CN202210781248A CN115035400A CN 115035400 A CN115035400 A CN 115035400A CN 202210781248 A CN202210781248 A CN 202210781248A CN 115035400 A CN115035400 A CN 115035400A
- Authority
- CN
- China
- Prior art keywords
- ecological
- biological
- features
- feature
- detectors
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于DetectoRS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;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;通过DetectoRS算法对采集的生物图像数据进行目标检测;将得到的融合后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DetectoRS算法,提出了递归特征金字塔RFN,在微观上提出了可切换空洞卷积SAC,能够提高目标检测的精度,便于提高生物的识别率。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于DetectoRS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精度不高,识别率低。
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DetectoRS算法的生态生物识别方法。
本发明提出的基于DetectoRS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;
S3通过DetectoRS算法对采集的生物图像数据进行目标检测;
S31选取待识别的生物图像,由并行FPN对输入生物图像进行特征提取,并生成递归特征金字塔;
S32集成递归特征金字塔的反馈连接到主干网,使得主干网再训练得到的特征;
S33通过可切换的空洞卷积替换主干网上的标准卷积,使得模型可自适应选择感受野;
S34递归特征金字塔的每一个特征层,在分类和回归子网的头部各加一个卷积层,将多个特征进行融合,得到融合后特征;
S4将得到的融合后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S34通过Feature Pyramid Networks自上而下的路径来融合多个特征,利用高层网络提取的语义信息和低层网络提取的细粒细节特征信息。
优选的,所述递归特征金字塔将反馈连接添加到FPN自下而上的过程中,并使用带有空洞卷积的空间金字塔池化模块来实现两个递归特征金字塔的级联连接。
优选的,所述可切换的空洞卷积以不同的空洞率对特征进行卷积,并使用switch函数合并卷积后的特征。
优选的,所述步骤S1采集生物图像时,获取湖面生物采集器采集图像的时间和位置,并进行存储。
优选的,所述步骤S1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收集生态生物特征后,对收集的生态生物特征进行除杂,剔除无用生态特征,并将有用生态特征进行分类收集。
优选的,所述步骤S4将识别成功结果进行发送并通过展示板展示,同时,将生物图像特征存储至生态特征数据库中。
本发明中,所述基于DetectoRS算法的生态生物识别方法,通过设置DetectoRS算法,提出了递归特征金字塔RFN,在微观上提出了可切换空洞卷积SAC,能够提高目标检测的精度,便于提高生物的识别率。
附图说明
图1为本发明提出的基于DetectoRS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DetectoRS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DetectoRS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;
S3通过DetectoRS算法对采集的生物图像数据进行目标检测;
S31选取待识别的生物图像,由并行FPN对输入生物图像进行特征提取,并生成递归特征金字塔;
S32集成递归特征金字塔的反馈连接到主干网,使得主干网再训练得到的特征;
S33通过可切换的空洞卷积替换主干网上的标准卷积,使得模型可自适应选择感受野;
S34递归特征金字塔的每一个特征层,在分类和回归子网的头部各加一个卷积层,将多个特征进行融合,得到融合后特征;
S4将得到的融合后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S34通过Feature Pyramid Networks自上而下的路径来融合多个特征,利用高层网络提取的语义信息和低层网络提取的细粒细节特征信息。
本发明中,递归特征金字塔将反馈连接添加到FPN自下而上的过程中,并使用带有空洞卷积的空间金字塔池化模块来实现两个递归特征金字塔的级联连接。
本发明中,可切换的空洞卷积以不同的空洞率对特征进行卷积,并使用switch函数合并卷积后的特征。
本发明中,步骤S1采集生物图像时,获取湖面生物采集器采集图像的时间和位置,并进行存储。
本发明中,步骤S1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收集生态生物特征后,对收集的生态生物特征进行除杂,剔除无用生态特征,并将有用生态特征进行分类收集。
本发明中,步骤S4将识别成功结果进行发送并通过展示板展示,同时,将生物图像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;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;通过DetectoRS算法对采集的生物图像数据进行目标检测;选取待识别的生物图像,由并行FPN对输入生物图像进行特征提取,并生成递归特征金字塔;集成递归特征金字塔的反馈连接到主干网,使得主干网再训练得到的特征;通过可切换的空洞卷积替换主干网上的标准卷积,使得模型可自适应选择感受野;递归特征金字塔的每一个特征层,在分类和回归子网的头部各加一个卷积层,将多个特征进行融合,得到融合后特征;将得到的融合后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DetectoRS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;
S3通过DetectoRS算法对采集的生物图像数据进行目标检测;
S31选取待识别的生物图像,由并行FPN对输入生物图像进行特征提取,并生成递归特征金字塔;
S32集成递归特征金字塔的反馈连接到主干网,使得主干网再训练得到的特征;
S33通过可切换的空洞卷积替换主干网上的标准卷积,使得模型可自适应选择感受野;
S34递归特征金字塔的每一个特征层,在分类和回归子网的头部各加一个卷积层,将多个特征进行融合,得到融合后特征;
S4将得到的融合后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DetectoRS算法的生态生物识别方法,其特征在于,所述步骤S34通过Feature Pyramid Networks自上而下的路径来融合多个特征,利用高层网络提取的语义信息和低层网络提取的细粒细节特征信息。
3.根据权利要求1所述的基于DetectoRS算法的生态生物识别方法,其特征在于,所述递归特征金字塔将反馈连接添加到FPN自下而上的过程中,并使用带有空洞卷积的空间金字塔池化模块来实现两个递归特征金字塔的级联连接。
4.根据权利要求1所述的基于DetectoRS算法的生态生物识别方法,其特征在于,所述可切换的空洞卷积以不同的空洞率对特征进行卷积,并使用switch函数合并卷积后的特征。
5.根据权利要求1所述的基于DetectoRS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,获取湖面生物采集器采集图像的时间和位置,并进行存储。
6.根据权利要求1所述的基于DetectoRS算法的生态生物识别方法,其特征在于,所述步骤S1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DetectoRS算法的生态生物识别方法,其特征在于,所述步骤S2收集生态生物特征后,对收集的生态生物特征进行除杂,剔除无用生态特征,并将有用生态特征进行分类收集。
8.根据权利要求1所述的基于DetectoRS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通过展示板展示,同时,将生物图像特征存储至生态特征数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781248.0A CN115035400A (zh) | 2022-07-04 | 2022-07-04 | 基于DetectoRS算法的生态生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781248.0A CN115035400A (zh) | 2022-07-04 | 2022-07-04 | 基于DetectoRS算法的生态生物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035400A true CN115035400A (zh) | 2022-09-09 |
Family
ID=83128385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210781248.0A Pending CN115035400A (zh) | 2022-07-04 | 2022-07-04 | 基于DetectoRS算法的生态生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035400A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294483A (zh) * | 2022-09-28 | 2022-11-04 | 山东大学 | 输电线路复杂场景的小目标识别方法及系统 |
-
2022
- 2022-07-04 CN CN202210781248.0A patent/CN115035400A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294483A (zh) * | 2022-09-28 | 2022-11-04 | 山东大学 | 输电线路复杂场景的小目标识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633255A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN115035400A (zh) | 基于DetectoRS算法的生态生物识别方法 | |
US20220012884A1 (en) | Image analysis system and analysis method | |
CN117355038B (zh) | 用于线路板软板的x型孔加工方法及其系统 | |
CN105825228B (zh) | 图像识别方法及装置 | |
CN112329664A (zh) | 一种原核期胚胎原核数量的评估方法 | |
CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
Roozbahani et al. | Face detection from blurred images based on convolutional neural networks | |
CN114387625A (zh) | 基于fpn算法的生态生物识别方法 | |
CN115393802A (zh) | 一种基于小样本学习的铁路场景不常见入侵目标识别方法 | |
CN114548291A (zh) | 基于mr-cnn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 | |
CN114842510A (zh) | 基于ScratchDet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 | |
CN114821668A (zh) | 基于r-dad算法的生态生物识别方法 | |
WO2020007587A1 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
CN114863467A (zh) | 基于AmoebaNet+NAS-FPN算法的生态生物识别方法 | |
CN115690092B (zh) | 角膜共聚焦图像中阿米巴包囊的识别与计数方法及装置 | |
CN115205642A (zh) | 基于nats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 | |
CN114821662A (zh) | 基于PFPNet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 | |
CN115147707A (zh) | 基于RFBNet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 | |
CN114694077A (zh) | 基于YOLO v3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 |