基于CBNet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CBNet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采集多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；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；通过CBNet算法对处理后的生物图像进行目标检测；使用LeadBackbone的特征图与生态特征数据库中的特征数据进行对比识别。本发明专利技术CBNet提取的目标检测特征融合了多个主干网络的高级和低级特征，从而提升检测性能，CBNet无需预训练，使用CBNet的成本更低，也更加高效，有效的提高了生物识别率。提高了生物识别率。提高了生物识别率。

【技术实现步骤摘要】
基于CBNet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CBNet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，检测性能不高，效率低，识别效果差。

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CBNet算法的生态生物识别方法。
[0004]本专利技术提出的基于CBNet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CBNet算法对处理后的生物图像进行目标检测；
[0009]S41设置多个主干网络，通过邻近主干网络之间的组合连接构建一个多层主干网络；
[0010]S42选取待识别的生物图像，将待识别的生物图像输入到多层主干网络中；
[0011]S43按照阶段迭代地将前一个主干网络的不同输出特征输入到下一个主干网络的对应层级中，一直到最后一个主干网络，得到特征图；
[0012]S44然后使用Lead Backbone的特征图进行目标检测；
[0013]S5使用Lead Backbone的特征图与生态特征数据库中的特征数据进行对比识别。
[0014]优选的，所述步骤S4中CBNet算法的CBNet架构包括两种主干网络：Lead Backbone B_K和Assistant Backbone B_1,B_2,...,B_K
‑
1，每个主干网络包含L个阶段，每个阶段包含多个卷积层。
[0015]优选的，所述多层主干网络中最后一个主干网络叫做Lead Backbone。
[0016]优选的，所述CBNet算法的多个主干网络有多种组合形式：邻近高级组合、同级组合、邻近低级组合、密集高级组合。
[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S2生物图像采用图像归一法和图像增强法对图像数据进行处理。
[0019]优选的，所述步骤S2还采用混合滤波方法对原始图片做降噪处理。
[0020]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。
[0021]本专利技术中，所述基于CBNet算法的生态生物识别方法，CBNet提取的目标检测特征融合了多个主干网络的高级和低级特征，从而提升检测性能，CBNet无需预训练，使用CBNet的成本更低，也更加高效，有效的提高了生物识别率。
附图说明
[0022]图1为本专利技术提出的基于CBNet算法的生态生物识别方法的流程图；
[0023]图2为本专利技术提出的基于CBNet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
[0024]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。
[0025]参照图1
‑
2，基于CBNet算法的生态生物识别方法，包括如下步骤：
[0026]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；
[0027]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；
[0028]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；
[0029]S4通过CBNet算法对处理后的生物图像进行目标检测；
[0030]S41设置多个主干网络，通过邻近主干网络之间的组合连接构建一个多层主干网络；
[0031]S42选取待识别的生物图像，将待识别的生物图像输入到多层主干网络中；
[0032]S43按照阶段迭代地将前一个主干网络的不同输出特征输入到下一个主干网络的对应层级中，一直到最后一个主干网络，得到特征图；
[0033]S44然后使用Lead Backbone的特征图进行目标检测；
[0034]S5使用Lead Backbone的特征图与生态特征数据库中的特征数据进行对比识别。
[0035]本专利技术中，步骤S4中CBNet算法的CBNet架构包括两种主干网络：Lead Backbone B_K和Assistant Backbone B_1,B_2,...,B_K
‑
1，每个主干网络包含L个阶段，每个阶段包含多个卷积层。
[0036]本专利技术中，多层主干网络中最后一个主干网络叫做Lead Backbone。
[0037]本专利技术中，CBNet算法的多个主干网络有多种组合形式：邻近高级组合、同级组合、邻近低级组合、密集高级组合。
[0038]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。
[0039]本专利技术中，步骤S2生物图像采用图像归一法和图像增强法对图像数据进行处理。
[0040]本专利技术中，步骤S2还采用混合滤波方法对原始图片做降噪处理。
[0041]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。
[0042]本专利技术：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；对采集的生物图像数据进行处理，得到处理后的生物图像；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；通过CBNet算法对处理后的生物图像进行目标检测；设置多个主干网络，通过邻近主干网络之间的组合连接构建一个多层主干网络；选取待识别的生物图像，将待识别的生物图像输入到多层主干网络中；按照阶段迭代地将前一个主干网络的不同输出特征输入到下一个主干网络的对应层级中，一直到最后一个主干网络，得到特征图；然后使用Lead Backbone的特征图进行目标检测；使用Lead Backbone的特征图与生态特征数据库中的特征数据进行对比识别。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CBNet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CBNet算法对处理后的生物图像进行目标检测；S41设置多个主干网络，通过邻近主干网络之间的组合连接构建一个多层主干网络；S42选取待识别的生物图像，将待识别的生物图像输入到多层主干网络中；S43按照阶段迭代地将前一个主干网络的不同输出特征输入到下一个主干网络的对应层级中，一直到最后一个主干网络，得到特征图；S44然后使用Lead Backbone的特征图进行目标检测；S5使用Lead Backbone的特征图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CBNet算法的生态生物识别方法，其特征在于，所述步骤S4中CBNet算法的CBNet架构包括两种主干网络：Lead Backbone B_K和Assistant Backbone B_1,B_2,...,B_K
...

【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：