种群分布不平衡条件下的浮游生物检测方法技术

本发明专利技术涉及计算机视觉、对抗学习和深度学习目标检测领域，具体说是一种浮游生物种群分布不平衡条件下的多类浮游生物检测方法，本发明专利技术一方面融入了循环对抗神经网络结构，对非优势分布种群的图像样本数据进行扩充，使各种群图像样本数据达到数量上的均衡，避免了检测模型在训练中的过拟合现象，提高了整体识别精度。另一方面，算法在YOLOV3模型的基础上引入了具有特征重用特性的DenseNet结构，替换原YOLOV3模型中下采样层，使浮游生物的细微特征在深度神经网络层中传输过程中减少特征损失，提高特征传播的稳定性。提高特征传播的稳定性。提高特征传播的稳定性。

【技术实现步骤摘要】
种群分布不平衡条件下的浮游生物检测方法


[0001]本专利技术涉及计算机视觉、对抗学习和深度学习目标检测领域，具体说是一种浮游生物种群分布不平衡条件下的多类浮游生物检测方法。

技术介绍

[0002]浮游生物是海洋生态系统中最基本的组成部分，作为生产者和初级消费者为食物链上层的生物体提供食物来源，在全球海洋碳循环中发挥着重要作用。同时，浮游生物能够对海洋水体环境变化(如富营养化或污染)迅速作出反应，也被认为是海洋水体健康的指示器。因此，全面了解海洋环境中浮游生物的分布和丰度，对研究海洋碳循环以及预报赤潮等自然灾害的发生至关重要。
[0003]不同的浮游生物种群随着海域、水深的变化，其丰度和分布具有明显的差异性，这带来了用于训练的包含不同种群的数据集存在种群不平衡(Species imbalance)的问题，导致训练模型对优势种群(Majority species)较为倚重，而对占有劣势地位的种群(Minority species)不敏感，产生训练模型的欠拟合，导致检测模型对非优势种群的识别精度不高。另外，小微尺度的海洋浮游生物尺寸处于微米本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.种群分布不平衡条件下的浮游生物检测方法，其特征在于，包括以下步骤：标定种群分布不平衡条件下的各种群浮游生物目标样本图像并将目标样本图像随机分成训练集和测试集并分别进行预处理；对训练集中非优势种群目标样本图像进行样本数据扩充并标定；对扩充后的训练集样本图像中的目标进行特征提取，使每张目标样本图像分别得到3个尺度的特征图；使用YOLOV3
‑
dense模型对训练集中提取的所有特征图进行训练，得到多个权重模型；将测试集作为输入，分别输入到每个权重模型中进行测试得到测试集识别后的第一次识别结果；对第一次识别结果进行后处理和非极大值抑制，得到第二次识别结果；计算第二次识别结果的平均精度均值mAP，选择使mAP最大的第二次识别结果对应的权重模型作为最优模型，使用该模型对种群分布不平衡条件下的浮游生物种群进行监测。2.根据权利要求1所述的种群分布不平衡条件下的浮游生物检测方法，其特征在于，所述对训练集中非优势种群目标样本图像进行样本数据扩充,具体为：将非优势种群训练集中的目标样本图像经过CycleGAN模型生成虚假目标样本图像，生成的虚假目标样本图像与原训练集共同组成新的训练集，使非优势种群的浮游生物训练样本数量与其他种群的浮游生物训练样本数量达到设定的均衡条件。3.根据权利要求1所述的种群分布不平衡条件下的浮游生物检测方法，其特征在于，所述对目标样本图像进行预处理具体为：对训练集中的目标样本图像进行随机增强处理和尺寸调整；对测试集中的目标样本图像进行尺寸调整。4.根据权利要求1所述的种群分布不平衡条件下的浮游生物检测方法，其特征在于，所述使用YOLOV3
‑
dense模型对训练集中提取的所有特征图进行训练，具体为：选择与目标...

【专利技术属性】
技术研发人员：李岩，郭家宏，郭晓敏，田宇，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：