一种基于深度学习的浮游生物自动检测方法技术

本发明专利技术公开了一种基于深度学习的浮游生物自动检测方法，包括：利用采集到的样品制作浮游动植物彩色显微图像数据集；对浮游生物图像数据集进行物种鉴别和分类标注；将浮游生物图像数据集进行图像预处理；将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集；将训练数据集和验证数据集输入Faster R‑CNN检测模型中进行训练、并优化网络参数；利用训练好的检测模型对测试集中的图像进行检测；对检测模型进行评估得到各个类别的平均精度以及平均精度均值。该方法借助深度学习的强大优势，让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。

【技术实现步骤摘要】
一种基于深度学习的浮游生物自动检测方法
本专利技术涉及图像处理技术及海洋浮游生物领域，具体涉及一种基于深度学习的浮游生物自动检测方法。
技术介绍
海洋生态系统是一个复杂多变的系统，海洋生物对人类具有巨大的经济和公益价值。在海洋生态系统的结构和功能中，海洋浮游生物占有极其重要的位置。海洋浮游生物是一个庞大而复杂的生态类群，主要由属初级生产力的浮游植物和属次级生产力的浮游动物组成。浮游生物的生物量、种群结构、群落多样性、地理分布及生理变化对海洋食物链结构变化、海洋物质循环的生物泵作用、生物地球化学循环影响、整个海洋生态系统结构和功能变化、甚至全球气候变化都起着重要的作用。它们也是海洋生物资源的重要组成部分，是海洋生态系统动力学的基础，具有种类多、数量大、繁殖快等特点，在海洋生态系统的物质循环和能量流动中起着极其重要的作用。海洋浮游植物既是重要的海洋生物资源,又是赤潮等自然灾害的肇事者。赤潮是全球性的海洋环境问题之一，不仅严重破坏了海洋渔业和水产资源,甚至威胁到人类的身体健康和生命安全，对赤潮的监测同样离不开对浮游生物进行检测。随着对浮游生物本文档来自技高网...

【技术保护点】
1.一种基于深度学习的浮游生物自动检测方法，其特征在于包括：/n利用采集到的样品制作浮游动植物彩色显微图像数据集；/n对浮游生物图像数据集进行物种鉴别和分类标注；/n将浮游生物图像数据集进行图像预处理；/n将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集；/n将训练数据集和验证数据集输入Faster R-CNN检测模型中进行训练、并优化网络参数；/n利用训练好的检测模型对测试集中的图像进行检测；/n对检测模型进行评估得到各个类别的平均精度以及平均精度均值。/n

【技术特征摘要】
1.一种基于深度学习的浮游生物自动检测方法，其特征在于包括：
利用采集到的样品制作浮游动植物彩色显微图像数据集；
对浮游生物图像数据集进行物种鉴别和分类标注；
将浮游生物图像数据集进行图像预处理；
将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集；
将训练数据集和验证数据集输入FasterR-CNN检测模型中进行训练、并优化网络参数；
利用训练好的检测模型对测试集中的图像进行检测；
对检测模型进行评估得到各个类别的平均精度以及平均精度均值。


2.根据权利要求1所述的基于深度学习的浮游生物自动检测方法，其特征还在于：对浮游生物图像数据集进行如下预处理：
将图像数据重新设置固定分辨率为900×600；
对图像数据进行水平镜像、垂直镜像、旋转和对比度增强处理；
所述水平镜像采用如下方式：
假设原图像的高度为h，宽度为w，经过水平镜像变换后，原图像中像素点P(x0,y0)的像素变为新图像坐标P′(w-x0,y0)处的像素值，用(x0,y0)表示原图像坐标，(x1,y1)表示经水平镜像变换后图像的坐标，则这两张图像的关系表示为：



逆变换为：



所述旋转采用如下方式：假设图像的左上角为(left,top),右下角为(right,bottom)，则图像上任意点(x0,y0)绕其中心(xcenter,ycenter)逆时针旋转θ角度后，新的坐标位置(x′,y′)的计算公式为：
xcenter＝(righ-left+1)/2+left
ycenter＝(bottom-top+1)...

【专利技术属性】
技术研发人员：胡姣婵，李清波，齐雷，赵晓飞，王晓峰，于双和，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21