【技术实现步骤摘要】
一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统
本专利技术属于计算机视觉技术目标检测领域，涉及一种基于嵌入式FEFnet网络(FasterRegionalExpansionFusionneuralnetwork)的复杂背景图像目标检测与计数的方法及系统。
技术介绍
海水中的浮游植物是海洋生态系统中最主要的初级生产者和能量的主要转换者，海洋生物是主要的海洋浮游植物，对海洋中海洋生物进行识别，可以估测海区内生态系统的群落结构和分布状态，实现海洋的监测和综合治理。目前大部分研究还处于人工计数阶段，其原理是用一定的色素使海水中的海洋生物呈现容易辨认的颜色，然后在海水随机提取一定微小体积的单元，将提取的海水放置于高倍放大镜下进行计数。数出一定体积内海洋生物细胞的个数，就能计算出提取的海水中海洋生物的浓度。这种方法存在实时性差、从提取样品到计数所经历的时间较长、误差较大，提取海水尽管有代表性，但仍然无法代替多点实时测量的准确性，而且由人工计数，必然产生人为误差。随着计算机硬件的快速发展，基于深度学习的图像识别广泛运用...
【技术保护点】
1.一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，包括以下步骤：/n(1)读取部分的存储图片，对图片进行数据准备与预处理；/n(2)将图像数据准备与预处理的图片进行空洞卷积CNN提取特征；/n(3)得到其融合后的提征图；/n(4)将融合特征图送入多层感受野RPN网络提取更加精准的候选框；/nRPN(RegionProposal Network)区域生成网络，将一个任意尺度的特征图作为输入，经过滑动窗口滑动，输出一系列的前景矩形框位置信息及每个矩形框的置信分数。/n(5)将融合特征图一方面送入ROI Align层，另一方面RPN网络提取更加精准的候选框送入...
【技术特征摘要】
1.一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，包括以下步骤：
(1)读取部分的存储图片，对图片进行数据准备与预处理；
(2)将图像数据准备与预处理的图片进行空洞卷积CNN提取特征；
(3)得到其融合后的提征图；
(4)将融合特征图送入多层感受野RPN网络提取更加精准的候选框；
RPN(RegionProposalNetwork)区域生成网络，将一个任意尺度的特征图作为输入，经过滑动窗口滑动，输出一系列的前景矩形框位置信息及每个矩形框的置信分数。
(5)将融合特征图一方面送入ROIAlign层，另一方面RPN网络提取更加精准的候选框送入ROIAlign层；
RoIAlign层(兴趣区域对齐层)是一个引入双线性插值的池化过程，目的在于使离散的池化过程变成连续的过程，从而弥补感兴趣区域池化粗糙量化的问题，提高了定位候选框的准确性。
(6)将每个RoIAlign区域输入固定大小的特征图通过两个全连接层得到两个特征向量；
(7)经过全连接层后一个特征向量用来判别候选框的类别；
(8)经过全连接层后另一个特征向量用来回归最终唯一坐标框；
(9)通过反复迭代更新权重，使得RPN阶段和最终预测阶段的损失尽量较小，使得模型收敛到达损失全局最优，得到海藻小目标模型。
2.根据权利要求1所述一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，图像数据准备与预处理是通过执行以下步骤实现：
(1)把图片分为亮图和暗图，计算图片的均值和方差，有RGB三个通道，把该通道数组转化为整数，对三通道去其平均值，通过比较平均值的均值方差范围把所有图片分为亮图暗图两类；
(2)将亮暗图像进行图像预处理，得到较清晰的目标轮廓；
(3)对图像预处理后的图片进行亮图暗图合并；
(4)对于数据集不够，使用数据增强中的裁剪得到更多的数据集；
(5)对图片进行筛选，挑去具有代表性的图像图片，使用标注工具对图像进行专家标注，获得PASCAL_VOC格式的图像位置标注文件，得到训练的图片及对应的标注文件。
3.根据权利要求1所述一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，图像预处理是通过执行以下步骤实现：
(1)将所有图像进行二值化；
(2)使用直方图均衡化算法使图片中间亮度级向外扩散，达到均衡亮度级，增强图片对比度；
(3)使用锐化算法加强目标的整体轮廓，目标边缘得到明显加强；
(4)对亮图使用中值滤波算法能消除图像中大量孤立的噪声点；
(5)对暗图使用均值迁移算法使图像暗色噪声和加强后的噪声出现明显分层，加大参数调节范围使目标外围出现白圈，增强局部特征。
4.根据权利要求1所述一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，空洞卷积CNN提取融合特征图是通过执行以下步骤实现：
(1)使用2个3*3的卷积核进行卷积操...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。