CN115049829A - 基于htc算法的生态生物识别方法 - Google Patents

基于htc算法的生态生物识别方法 Download PDF

Info

Publication number
CN115049829A
CN115049829A CN202210686395.XA CN202210686395A CN115049829A CN 115049829 A CN115049829 A CN 115049829A CN 202210686395 A CN202210686395 A CN 202210686395A CN 115049829 A CN115049829 A CN 115049829A
Authority
CN
China
Prior art keywords
ecological
biological
htc
algorithm
image
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
Application number
CN202210686395.XA
Other languages
English (en)
Inventor
杨志峰
沈永明
张远
蔡宴朋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lantogis Ecological Technology Group Co Ltd
Original Assignee
Lantogis Ecological Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lantogis Ecological Technology Group Co Ltd filed Critical Lantogis Ecological Technology Group Co Ltd
Priority to CN202210686395.XA priority Critical patent/CN115049829A/zh
Publication of CN115049829A publication Critical patent/CN115049829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于HTC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HTC算法对采集的生物图像数据进行目标检测；对区分前景和背景得到图像进行特征提取，使用全局平均池化接全连阶层分类，得到生物图像的特征数据；将得到的生物图像特征数据与生态特征数据库中的特征数据进行对比识别。本发明HTC是一种高性能的检测和实例分割模型，整体结构基于MaskR‑CNN和CascadeR‑CNN并进行改进，HTC中引入了语义分割分支从而更好地获得前景信息，便于生物的特征提取和精准识别。

Description

基于HTC算法的生态生物识别方法
技术领域
本发明涉及生物识别技术领域，尤其涉及基于HTC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，不便于对图像进行分割，不便于提取生物特征，生物识别率不高。
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HTC算法的生态生物识别方法。
本发明提出的基于HTC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HTC算法对采集的生物图像数据进行目标检测；
S31将Cascade R-CNN和Mask R-CNN的简单结合；
S32在每个stage里先执行box分支，将回归过的框再交由mask分支来预测mask；
S33在不同的stage的mask分支之间引入直接的信息流；
S34通过引入语义分割分支S来提供空间上下文信息，从而帮助模型区分前景和背景；
S4对区分前景和背景得到图像进行特征提取，使用全局平均池化接全连阶层分类，得到生物图像的特征数据；
S5将得到的生物图像特征数据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将相邻阶段的Mask R-CNN通过box分支进行连接。
优选的，所述步骤S32先执行box分支得到box预测结果rt,并将rt经过pool结构后再作为mask分支的输入。
优选的，所述步骤S1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S1对采集的生物图像进行预处理，包括：图像缩放、转置以及图像类型转换。
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S32每个stage内的bounding box和mask分别采用交替执行。
优选的，所述步骤S34语义分割的特征和原始的bounding box/mask分支融合，增强spatial context。
优选的，所述步骤S5将识别成功结果进行发送，并将通过将识别成果进行展示。
本发明中，所述基于HTC算法的生态生物识别方法，HTC是一种高性能的检测和实例分割模型，整体结构基于Mask R-CNN和Cascade R-CNN并进行改进，HTC中引入了语义分割分支从而更好地获得前景信息，便于生物的特征提取和精准识别。
附图说明
图1为本发明提出的基于HTC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HTC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HTC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HTC算法对采集的生物图像数据进行目标检测；
S31将Cascade R-CNN和Mask R-CNN的简单结合；
S32在每个stage里先执行box分支，将回归过的框再交由mask分支来预测mask；
S33在不同的stage的mask分支之间引入直接的信息流；
S34通过引入语义分割分支S来提供空间上下文信息，从而帮助模型区分前景和背景；
S4对区分前景和背景得到图像进行特征提取，使用全局平均池化接全连阶层分类，得到生物图像的特征数据；
S5将得到的生物图像特征数据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将相邻阶段的Mask R-CNN通过box分支进行连接。
本发明中，步骤S32先执行box分支得到box预测结果rt,并将rt经过pool结构后再作为mask分支的输入。
本发明中，步骤S1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S1对采集的生物图像进行预处理，包括：图像缩放、转置以及图像类型转换。
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S32每个stage内的bounding box和mask分别采用交替执行。
本发明中，步骤S34语义分割的特征和原始的bounding box/mask分支融合，增强spatial context。
本发明中，步骤S5将识别成功结果进行发送，并将通过将识别成果进行展示。
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HTC算法对采集的生物图像数据进行目标检测；将Cascade R-CNN和Mask R-CNN的简单结合；在每个stage里先执行box分支，将回归过的框再交由mask分支来预测mask；在不同的stage的mask分支之间引入直接的信息流；通过引入语义分割分支S来提供空间上下文信息，从而帮助模型区分前景和背景；对区分前景和背景得到图像进行特征提取，使用全局平均池化接全连阶层分类，得到生物图像的特征数据；将得到的生物图像特征数据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 (9)

1.基于HTC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HTC算法对采集的生物图像数据进行目标检测；
S31将Cascade R-CNN和Mask R-CNN的简单结合；
S32在每个stage里先执行box分支，将回归过的框再交由mask分支来预测mask；
S33在不同的stage的mask分支之间引入直接的信息流；
S34通过引入语义分割分支S来提供空间上下文信息，从而帮助模型区分前景和背景；
S4对区分前景和背景得到图像进行特征提取，使用全局平均池化接全连阶层分类，得到生物图像的特征数据；
S5将得到的生物图像特征数据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HTC算法的生态生物识别方法，其特征在于，所述步骤S31将相邻阶段的Mask R-CNN通过box分支进行连接。
3.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S32先执行box分支得到box预测结果rt,并将rt经过pool结构后再作为mask分支的输入。
4.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S1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。
5.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S1对采集的生物图像进行预处理，包括：图像缩放、转置以及图像类型转换。
6.根据权利要求1所述的基于HTC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。
7.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S32每个stage内的bounding box和mask分别采用交替执行。
8.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S34语义分割的特征和原始的bounding box/mask分支融合，增强spatial context。
9.根据权利要求1所述的基于HTC算法的生态生物识别方法，其特征在于，所述步骤S5将识别成功结果进行发送，并将通过将识别成果进行展示。
CN202210686395.XA 2022-06-16 2022-06-16 基于htc算法的生态生物识别方法 Pending CN115049829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210686395.XA CN115049829A (zh) 2022-06-16 2022-06-16 基于htc算法的生态生物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210686395.XA CN115049829A (zh) 2022-06-16 2022-06-16 基于htc算法的生态生物识别方法

Publications (1)

Publication Number Publication Date
CN115049829A true CN115049829A (zh) 2022-09-13

Family

ID=83160780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210686395.XA Pending CN115049829A (zh) 2022-06-16 2022-06-16 基于htc算法的生态生物识别方法

Country Status (1)

Country Link
CN (1) CN115049829A (zh)

Similar Documents

Publication Publication Date Title
Fernandes et al. Predicting heart rate variations of deepfake videos using neural ode
CN112419174B (zh) 基于门循环单元的图像文字去除方法、系统及装置
CN112580521B (zh) 一种基于maml元学习算法的多特征真假视频检测方法
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
Rachmad et al. Mycobacterium tuberculosis images classification based on combining of convolutional neural network and support vector machine
CN112329664A (zh) 一种原核期胚胎原核数量的评估方法
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
CN110782385A (zh) 一种基于深度学习的图像水印的去除方法
CN113076860B (zh) 一种野外场景下的鸟类检测系统
CN115049829A (zh) 基于htc算法的生态生物识别方法
CN117058232A (zh) 一种改进YOLOv8模型的养殖鱼群中鱼类目标个体的位置检测方法
CN115689993A (zh) 基于注意力与多特征融合的皮肤癌图像分割方法及系统
CN114565593A (zh) 基于半监督和注意力的全视野数字图像分类与检测方法
CN111882545A (zh) 基于双向信息传递及特征融合的织物疵点检测方法
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
CN115035399A (zh) 基于SpineNet算法的生态生物识别方法
CN115049930A (zh) 基于fcos算法的生态生物识别方法
CN114693980A (zh) 基于Light-Head R-CNN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
CN114821668A (zh) 基于r-dad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
CN115019161A (zh) 基于EfficientDet算法的生态生物识别方法
CN113344868B (zh) 一种基于混合转移学习的无标记细胞分类筛查系统
CN114821662A (zh) 基于PFPNet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