CN115050049A - 基于Libra R-CNN算法的生态生物识别方法 - Google Patents
基于Libra R-CNN算法的生态生物识别方法 Download PDFInfo
- Publication number
- CN115050049A CN115050049A CN202210619267.3A CN202210619267A CN115050049A CN 115050049 A CN115050049 A CN 115050049A CN 202210619267 A CN202210619267 A CN 202210619267A CN 115050049 A CN115050049 A CN 115050049A
- Authority
- CN
- China
- Prior art keywords
- ecological
- biological
- libra
- cnn algorithm
- features
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V10/26—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
- G06V10/40—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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (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)
Abstract
本发明公开了基于LibraR‑CNN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;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;通过LibraR‑CNN算法对处理后的生物图像进行目标检测;将获得的生物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LibraR‑CNN算法,使用相同的深度集成均衡语义特征来增强多级特征,能够提高生物特征的识别率。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及基于Libra R-CNN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,生物特征不明显,不便于进行生物识别。
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Libra R-CNN算法的生态生物识别方法。
本发明提出的基于Libra R-CNN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;
S4通过Libra R-CNN算法对处理后的生物图像进行目标检测;
S41利用Libra R-CNN算法生成一系列作为样本的候选框,利用不同尺寸的候选框选定图中的某一部分作为候选框;
S42选取处理后的生物图像,并通过Libra R-CNN算法进行图像分割处理得到图像;
S43对分割处理得到图像进行特征提取,得到生物图像候选框的多级特征数据;
S44首先将多级特征调整为中间大小,分别进行插值和最大池化;
S45然后使用相同但相反的过程重新缩放获得的特征,以增强原始特征;
S5将获得的生物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S44各级特征被rescale到同样的大小,通过简单的求平均获得平衡的语义特征:
其中,分辨率级别为l的特征表示为Cl,多级特征的数量表示为L,涉及的最低和最高级别的索引表示为lmin和lmax。
优选的,所述步骤S2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S3对采集的生物图像做颜色校正处理。
优选的,所述加密处理用本地私钥进行加密,生态生物识别中利用与本地私钥匹配的公钥进行解密。
优选的,所述步骤S1将收集的生物特征进行自动分类,自动分类后的数据为分类数据,包括:根据不同的数据特征、不同的数据类型、不同的特征值分类所述数据。
优选的,所述步骤S5将识别成功结果进行发送,并将生态环境的图像数据存储至数据库中。
本发明中,所述基于Libra R-CNN算法的生态生物识别方法,通过设置Libra R-CNN算法,使用相同的深度集成均衡语义特征来增强多级特征,能够提高生物特征的识别率。
附图说明
图1为本发明提出的基于Libra R-CNN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Libra R-CNN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Libra R-CNN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;
S4通过Libra R-CNN算法对处理后的生物图像进行目标检测;
S41利用Libra R-CNN算法生成一系列作为样本的候选框,利用不同尺寸的候选框选定图中的某一部分作为候选框;
S42选取处理后的生物图像,并通过Libra R-CNN算法进行图像分割处理得到图像;
S43对分割处理得到图像进行特征提取,得到生物图像候选框的多级特征数据;
S44首先将多级特征调整为中间大小,分别进行插值和最大池化;
S45然后使用相同但相反的过程重新缩放获得的特征,以增强原始特征;
S5将获得的生物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S44各级特征被rescale到同样的大小,通过简单的求平均获得平衡的语义特征:
其中,分辨率级别为l的特征表示为Cl,多级特征的数量表示为L,涉及的最低和最高级别的索引表示为lmin和lmax。
本发明中,步骤S2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S3对采集的生物图像做颜色校正处理。
本发明中,加密处理用本地私钥进行加密,生态生物识别中利用与本地私钥匹配的公钥进行解密。
本发明中,步骤S1将收集的生物特征进行自动分类,自动分类后的数据为分类数据,包括:根据不同的数据特征、不同的数据类型、不同的特征值分类数据。
本发明中,步骤S5将识别成功结果进行发送,并将生态环境的图像数据存储至数据库中。
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;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;通过Libra R-CNN算法对处理后的生物图像进行目标检测;利用Libra R-CNN算法生成一系列作为样本的候选框,利用不同尺寸的候选框选定图中的某一部分作为候选框;选取处理后的生物图像,并通过Libra R-CNN算法进行图像分割处理得到图像;对分割处理得到图像进行特征提取,得到生物图像候选框的多级特征数据;首先将多级特征调整为中间大小,分别进行插值和最大池化;然后使用相同但相反的过程重新缩放获得的特征,以增强原始特征;将获得的生物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Libra R-CNN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;
S4通过Libra R-CNN算法对处理后的生物图像进行目标检测;
S41利用Libra R-CNN算法生成一系列作为样本的候选框,利用不同尺寸的候选框选定图中的某一部分作为候选框;
S42选取处理后的生物图像,并通过Libra R-CNN算法进行图像分割处理得到图像;
S43对分割处理得到图像进行特征提取,得到生物图像候选框的多级特征数据;
S44首先将多级特征调整为中间大小,分别进行插值和最大池化;
S45然后使用相同但相反的过程重新缩放获得的特征,以增强原始特征;
S5将获得的生物特征与生态特征数据库中的特征数据进行对比识别。
4.根据权利要求1所述的基于Libra R-CNN算法的生态生物识别方法,其特征在于,所述步骤S2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。
5.根据权利要求1所述的基于Libra R-CNN算法的生态生物识别方法,其特征在于,所述步骤S3对采集的生物图像做颜色校正处理。
6.根据权利要求4所述的基于Libra R-CNN算法的生态生物识别方法,其特征在于,所述加密处理用本地私钥进行加密,生态生物识别中利用与本地私钥匹配的公钥进行解密。
7.根据权利要求1所述的基于Libra R-CNN算法的生态生物识别方法,其特征在于,所述步骤S1将收集的生物特征进行自动分类,自动分类后的数据为分类数据,包括:根据不同的数据特征、不同的数据类型、不同的特征值分类所述数据。
8.根据权利要求1所述的基于Libra R-CNN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,并将生态环境的图像数据存储至数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619267.3A CN115050049A (zh) | 2022-06-01 | 2022-06-01 | 基于Libra R-CNN算法的生态生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619267.3A CN115050049A (zh) | 2022-06-01 | 2022-06-01 | 基于Libra R-CNN算法的生态生物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115050049A true CN115050049A (zh) | 2022-09-13 |
Family
ID=83159161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210619267.3A Pending CN115050049A (zh) | 2022-06-01 | 2022-06-01 | 基于Libra R-CNN算法的生态生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115050049A (zh) |
-
2022
- 2022-06-01 CN CN202210619267.3A patent/CN115050049A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rana et al. | MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection | |
CN115050049A (zh) | 基于Libra R-CNN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 | |
CN115035400A (zh) | 基于DetectoRS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 | |
CN115147708A (zh) | 基于mlkp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 | |
CN114724261A (zh) | 基于snip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 | |
Akshay | Classification of Beneficial and non-Beneficial Bacteria using Random Forest Algorithm | |
CN114863467A (zh) | 基于AmoebaNet+NAS-FPN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 | |
CN114926863A (zh) | 基于M2Det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 | |
CN115049930A (zh) | 基于fcos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 | |
CN114973331A (zh) | 基于Auto-FPN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 | |
CN115035399A (zh) | 基于SpineNet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 | |
CN114549824A (zh) | 基于Fast 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 | |
CN116051830B (zh) | 一种面向跨模态数据融合的对比语义分割方法 | |
CN114565931A (zh) | 基于HyperNet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 |
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 |