基于Auto-FPN算法的生态生物识别方法技术

本发明专利技术公开了基于Auto

【技术实现步骤摘要】
基于Auto
‑
FPN算法的生态生物识别方法


[0001]本专利技术涉及生物识别
，尤其涉及基于Auto
‑
FPN算法的生态生物识别方法。

技术介绍

[0002]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，特征识别速度较慢，识别率较低。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了基于Auto
‑
FPN算法的生态生物识别方法。
[0004]本专利技术提出的基于Auto
‑
FPN算法的生态生物识别方法，包括如下步骤：
[0005]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；
[0006]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；
[0007]S3收集历史生态生物图像，将收集的历史生态生物图像进行分类，并建立生物图像数据库；
[0008]S4通过Auto
‑
FPN算法对处理后的生物图像进行目标检测；
[0009]S41选取待识别的生物图像，通过backbone网络结构提取生物图像的不同尺度的特征图；
[0010]S42使用SSD对不同尺度的特征图做预测，之后通过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；
[0011]S43然后PANet通过直接将最底层的特征与最高层的特征图进行连接，进一步增强特征图之间的联系；
[0012]S44通过搜索网络结构来让Auto
‑
FPN算法自动找到不同层之间最合适的连接方式；
[0013]S45通过RPN网络在backbone提取得到的特征的基础上进一步预测出若干个区域；
[0014]S46通过RCNN对生成的若干个区域做进一步的分类和位置回归；
[0015]S5选取待识别的特征图，并与生态特征数据库中的特征数据进行对比识别。
[0016]优选的，所述步骤S42不同尺度的特征图能做融合操作，首先都会用conv 1*1的操
作，而后再计算不同operation的权重。
[0017]优选的，所述步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理。
[0018]优选的，所述步骤S41特征提取时，将生物图像分成多个局部区域，对每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
[0019]优选的，所述步骤S1采集生物图像时，通过采用区域检测网络根据生物图像特征确定文本区域位置特征。
[0020]优选的，所述步骤S41特征提取采用ResNet或VGG来提取特征。
[0021]优选的，所述步骤S1对采集的生物图像进行归一化处理。
[0022]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。
[0023]本专利技术中，所述基于Auto
‑
FPN算法的生态生物识别方法，通过设置Auto
‑
FPN算法，能够提高目标检测的速度和提高检测的效果，能够有效的提高生物识别率。
附图说明
[0024]图1为本专利技术提出的基于Auto
‑
FPN算法的生态生物识别方法的流程图；
[0025]图2为本专利技术提出的基于Auto
‑
FPN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
[0026]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。
[0027]参照图1
‑
2，基于Auto
‑
FPN算法的生态生物识别方法，包括如下步骤：
[0028]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；
[0029]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；
[0030]S3收集历史生态生物图像，将收集的历史生态生物图像进行分类，并建立生物图像数据库；
[0031]S4通过Auto
‑
FPN算法对处理后的生物图像进行目标检测；
[0032]S41选取待识别的生物图像，通过backbone网络结构提取生物图像的不同尺度的特征图；
[0033]S42使用SSD对不同尺度的特征图做预测，之后通过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；
[0034]S43然后PANet通过直接将最底层的特征与最高层的特征图进行连接，进一步增强特征图之间的联系；
[0035]S44通过搜索网络结构来让Auto
‑
FPN算法自动找到不同层之间最合适的连接方式；
[0036]S45通过RPN网络在backbone提取得到的特征的基础上进一步预测出若干个区域；
[0037]S46通过RCNN对生成的若干个区域做进一步的分类和位置回归；
[0038]S5选取待识别的特征图，并与生态特征数据库中的特征数据进行对比识别。
[0039]本专利技术中，步骤S42不同尺度的特征图能做融合操作，首先都会用conv 1*1的操作，而后再计算不同operation的权重。
[0040]本专利技术中，步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理。
[0041]本专利技术中，步骤S41特征提取时，将生物图像分成多个局部区域，对每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
[0042]本专利技术中，步骤S1采集生物图像时，通过采用区域检测网络根据生物图像特征确定文本区域位置特征。
[0043]本专利技术中，步骤S41特征提取采用ResNet或VGG来提取特征。
[0044]本专利技术中，步骤S1对采集的生物图像进行归一化处理。
[0045]本专利技术中，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。
[0046]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Auto
‑
FPN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收集历史生态生物图像，将收集的历史生态生物图像进行分类，并建立生物图像数据库；S4通过Auto
‑
FPN算法对处理后的生物图像进行目标检测；S41选取待识别的生物图像，通过backbone网络结构提取生物图像的不同尺度的特征图；S42使用SSD对不同尺度的特征图做预测，之后通过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；S43然后PANet通过直接将最底层的特征与最高层的特征图进行连接，进一步增强特征图之间的联系；S44通过搜索网络结构来让Auto
‑
FPN算法自动找到不同层之间最合适的连接方式；S45通过RPN网络在backbone提取得到的特征的基础上进一步预测出若干个区域；S46通过RCNN对生成的若干个区域做进一步的分类和位置回归；S5选取待识别的特征图，并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Auto
‑
FPN算法的生态生物识别方法，其特征在于，所述步骤S42不同尺度的特征图能做融合操作，首先都会用conv 1*1的操作，而后再计算不同operat...

【专利技术属性】
技术研发人员：杨志峰，沈永明，张远，蔡宴朋，
申请(专利权)人：澜途集思生态科技集团有限公司，
类型：发明
国别省市：