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 PDF

Info

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
Application number
CN202210619267.3A
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 CN202210619267.3A priority Critical patent/CN115050049A/zh
Publication of CN115050049A publication Critical patent/CN115050049A/zh
Pending legal-status Critical Current

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

基于Libra R-CNN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：
Figure BDA0003674495680000021
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S4通过IoU平衡采样：假设我们需要从M个对应的候选对象中抽取N个negative样本，每个样本在随机抽样下的选定概率为：
Figure BDA0003674495680000031
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：
Figure BDA0003674495680000051
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S4通过IoU平衡采样：假设我们需要从M个对应的候选对象中抽取N个negative样本，每个样本在随机抽样下的选定概率为：
Figure BDA0003674495680000052
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。
2.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：
Figure FDA0003674495670000021
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。
3.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S4通过IoU平衡采样：假设我们需要从M个对应的候选对象中抽取N个negative样本，每个样本在随机抽样下的选定概率为：
Figure FDA0003674495670000022
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。
CN202210619267.3A 2022-06-01 2022-06-01 基于Libra R-CNN算法的生态生物识别方法 Pending CN115050049A (zh)

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)

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