一种生物分支检测方法、装置及电子设备制造方法及图纸

本发明专利技术涉及目标检测，揭露一种生物分支检测方法、装置及电子设备，所述方法包括：获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集，根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。本发明专利技术可解决生物检测的检测效率及检测智能化程度较低的问题。检测的检测效率及检测智能化程度较低的问题。检测的检测效率及检测智能化程度较低的问题。

【技术实现步骤摘要】
一种生物分支检测方法、装置及电子设备


[0001]本专利技术涉及目标检测，尤其涉及一种生物分支检测方法、装置及电子设备。

技术介绍

[0002]伴随科技发展，如何高效提高产业结构升级是当前火热的技术方向，如农林领域中，智能化检测出新发现的灌木群中包括哪些品种的灌木，可减少农林工作人员以身作则进入灌木群考察的风险，提高工作效率。
[0003]目前，生物检测技术主要依靠有经验的专家观察航拍图片，并利用计算机标定软件在航拍图片中标定出目标生物。如上述为检测新发现的灌木群中包括哪些品种的灌木，先航拍出灌木群的航拍图，进而依靠有经验的农林专家及计算机标定软件，在该航拍图中标定出不同品种的灌木，完成生物检测。
[0004]上述方法虽可实现生物检测，但由于人工干预过多，导致生物检测的检测效率较低、检测智能化有待进一步提高的问题。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种生物分支检测方法、装置及电子设备，可解决生物检测的检测效率及检测智能化程度较低的问题。
[0006]第一方面，本专利技术提供了一种生物分支检测方法，包括：获获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；构建所述待训练检测模型的损失函数；利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
[0007]可以看出，本专利技术实施例先获取目标生物的航拍视频，考虑到若直接对所述航拍视频中的每一帧均执行目标生物检测，会极大的浪费计算资源，因此从航拍视频中提取关键帧，仅对关键帧执行目标生物检测，以节约资源；另外，由于深度神经网络具有检测准确率高的优点，本专利技术实施例根据生物待检测图集的规模，生成包括空洞卷积层、池化层、残差层及反卷积层的待训练检测模型，同时构建出对应的损失函数训练所述待训练检测模型，得到生物图片检测模型，进而利用所述生物图片检测模型检测所述生物待检测图集，完成目标生物的检测，可见相比于
技术介绍
来说，整个检测过程无需人为干预，均为自动化检测过程。因此，本专利技术实施例提出的一种生物分支检测方法可以解决生物检测的检测效率
及检测智能化程度较低的问题。
[0008]在第一方面的一种可能实现方式中，所述利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，包括：接收生物训练集及对应的真实标签集；接收用户根据所述生物训练集输入的训练学习率、批尺寸；将所述生物训练集执行向量转换，得到生物向量集；将所述生物向量集输入至所述待训练检测模型，利用所述空洞卷积层及所述池化层对所述生物向量集执行特征提取，得到生物特征集；利用所述残差层对所述生物特征集及所述生物向量集执行残差连接，得到待激活特征集；利用所述反卷积层对所述待激活特征集执行激活处理，得到预测标签集；将所述预测标签集与所述真实标签集作为所述损失函数的参数值，计算得到误差值；当所述误差值大于等于指定阈值时，调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，并返回上述特征提取步骤；直至所述误差值小于指定阈值时，确定所述待训练检测模型为所述生物图片检测模型。
[0009]在第一方面的一种可能实现方式中，所述构建所述待训练检测模型的损失函数，包括：采用如下方式构建得到所述损失函数：采用如下方式构建得到所述损失函数：采用如下方式构建得到所述损失函数：其中，为所述损失函数， 称为标签损失函数，表示训练所述待训练检测模型的生物训练集的真实标签集，表示所述生物训练集的预测标签集，表示所述生物训练集的数量，称为像素损失函数，表示所述真实标签集在所述生物训练集中所圈出的目标生物的像素集，表示所述预测标签集在所述生物训练集中所圈出的目标生物的像素集，表示所述像素集的像素总数，表示权重系数。
[0010]在第一方面的一种可能实现方式中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：将所述空洞卷积层、所述池化层及所述残差层按照交替顺序组合在最前端；将所述反卷积层放置在最后端，得到所述待训练检测模型。
[0011]在第一方面的一种可能实现方式中，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，还可以被替换为：按照所述空洞卷积层在前、所述池化层在后的顺序组合，得到所述待训练检测模型的最前端；将所述残差层作为所述训练检测模型的中端，将所述反卷积层作为所述训练检测模型的后端，构建得到所述待训练检测模型。
[0012]在第一方面的一种可能实现方式中，所述根据所述生物待检测图集的规模，生成对应的模型层数，包括：提取所述生物待检测图集中每张生物待检测图的像素规模；利用每张生物待检测图的像素规模计算得到平均像素规模；根据预构建的模型层数计算函数，计算所述平均像素规模对应的所述模型层数。
[0013]在第一方面的一种可能实现方式中，所述对所述航拍视频执行关键帧提取，得到生物待检测图集，包括：从所述航拍视频中选择位置参考点；依次提取所述航拍视频中每一帧在所述位置参考点的像素值，得到关键像素值；根据每一帧的所述关键像素值，求解得到平均像素值；从所述航拍视频中选择在所述位置参考点与所述平均像素值在预设误差范围外的帧，得到所述生物待检测图集。
[0014]第二方面，本专利技术提供了一种生物分支检测装置，所述装置包括：待检测图提取模块，用于获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；待训练检测模型构建模块，用于根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层，按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；模型训练模块，用于构建所述待训练检测模型的损失函数，利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；目标生物检测模块，用于利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。
[0015]第三方面，本专利技术提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的生物分支检测方法。
[0016]可以理解的是，上述第二方面和第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物分支检测方法，其特征在于，所述方法包括：获取目标生物的航拍视频，对所述航拍视频执行关键帧提取，得到生物待检测图集；根据所述生物待检测图集的规模，生成对应的模型层数，按照所述模型层数，构建空洞卷积层、池化层、残差层及反卷积层；按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型；构建所述待训练检测模型的损失函数；利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型；利用所述生物图片检测模型检测所述生物待检测图集，得到所述目标生物的检测结果。2.如权利要求1所述的生物分支检测方法，其特征在于，所述利用所述损失函数训练所述待训练检测模型，得到生物图片检测模型，包括：接收生物训练集及对应的真实标签集；接收用户根据所述生物训练集输入的训练学习率、批尺寸；将所述生物训练集执行向量转换，得到生物向量集；将所述生物向量集输入至所述待训练检测模型，利用所述空洞卷积层及所述池化层对所述生物向量集执行特征提取，得到生物特征集；利用所述残差层对所述生物特征集及所述生物向量集执行残差连接，得到待激活特征集；利用所述反卷积层对所述待激活特征集执行激活处理，得到预测标签集；将所述预测标签集与所述真实标签集作为所述损失函数的参数值，计算得到误差值；当所述误差值大于等于指定阈值时，调整所述待训练检测模型的内部参数、所述训练学习率及所述批尺寸，并返回上述特征提取步骤；直至所述误差值小于指定阈值时，确定所述待训练检测模型为所述生物图片检测模型。3.如权利要求2所述的生物分支检测方法，其特征在于，所述构建所述待训练检测模型的损失函数，包括：采用如下方式构建得到所述损失函数：方式构建得到所述损失函数：方式构建得到所述损失函数：其中，为所述损失函数， 称为标签损失函数，表示训练所述待训练检测模型的生物训练集的真实标签集，表示所述生物训练集的预测标签集，表示所述
生物训练集的数量，称为像素损失函数，表示所述真实标签集在所述生物训练集中所圈出的目标生物的像素集，表示所述预测标签集在所述生物训练集中所圈出的目标生物的像素集，表示所述像素集的像素总数，表示权重系数。4.如权利要求2所述的生物分支检测方法，其特征在于，所述按照预设的组建顺序，将所述空洞卷积层、所述池化层、所述残差层及所述反卷积层组建得到待训练检测模型，包括：将所述空洞卷积层、所述池化层及...

【专利技术属性】
技术研发人员：韩军，王正平，黄小棠，张恒，张令瑄，吴恒乾，王利利，高岩，
申请(专利权)人：聊城高新生物技术有限公司，
类型：发明
国别省市：