生物体重识别方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种生物体重识别方法，所述方法包括：获取查询图像；将所述查询图像输入生物体检测模型，得到所述查询图像对应的预测检测信息；利用所述查询图像及其对应的预测检测信息和生物体重识别模型，获取所述查询图像分别和检索图像集中各所述检索图像对应的预测重识别信息。该方法基于查询图像，得到各查询图像对应的预测检测信息，基于查询图像及其对应的预测检测信息和生物体重识别模型，得到查询图像分别和检索图像集中各检索图像对应的预测重识别信息，所得到查询图像和检索图像对应的预测重识别信息用于指示查询图像和检索图像是否包含同一生物体，重识别效率高，识别结果准确度高。别结果准确度高。别结果准确度高。

【技术实现步骤摘要】
生物体重识别方法、装置、电子设备及存储介质


[0001]本申请涉及深度学习
，尤其涉及生物体重识别方法、装置、电子设备及存储介质。

技术介绍

[0002]濒危物种尤其是生物多样性和环境健康的重要指标，保护野生生物对于维持健康和平衡的生态系统以及确保我们世界的持续生物多样性至关重要。计算机视觉技术能够从摄像机陷阱甚至无人机收集大量图像数据，并使用此图像构建从边缘到云的系统，并可以应用于智能成像传感器，以捕获与野生动植物相关的图像/视频并监视野生动植物。
[0003]公开号为CN208282866U的中国专利“一种用于畜牧业的健康检测机器人”中公开了一种用于畜牧业的健康检测机器人，其运动机构在位于饲养场内的轨道上做直线运动，路线规划装置提供手工设定所述运动机构的检测行进路线，射频定位装置记录检测机器人的实时位置，耳标读取装置读取动物耳标内所存储的动物个体识别信息，传送到嵌入式运算装置，再汇总检测所得的巡检点标记、耳标、体温、图像、动物活跃性、环境温湿度、空气浓度以及空气异味信息，通过无线网络接口传送到外部的控制主机进行呈现，以达到在畜牧业应用领域综合应用自动化技术和机器人技术自动进行动物健康检测，提高作业效率和降低人工劳动强度的技术目的。
[0004]但是以上的现有技术只靠动物身体的一个部位的信息进行检测，显然准确度较低。

技术实现思路

[0005]本申请的目的在于提供生物体重识别方法、装置、电子设备及存储介质，解决现有技术中对于生物体进行重识别时准确度较低的问题。
[0006]本申请的目的采用以下技术方案实现：
[0007]第一方面，本申请提供了一种生物体重识别方法，所述方法包括：获取查询图像；将所述查询图像输入生物体检测模型，得到所述查询图像对应的预测检测信息；利用所述查询图像及其对应的预测检测信息和生物体重识别模型，获取所述查询图像分别和检索图像集中各所述检索图像对应的预测重识别信息，所述查询图像和所述检索图像对应的预测重识别信息用于指示所述查询图像和所述检索图像是否包含同一生物体。
[0008]该技术方案的有益效果在于，基于查询图像，得到各查询图像对应的预测检测信息，基于查询图像及其对应的预测检测信息和生物体重识别模型，得到查询图像分别和检索图像集中各检索图像对应的预测重识别信息，所得到查询图像和检索图像对应的预测重识别信息用于指示查询图像和检索图像是否包含同一生物体，重识别效率高，识别结果准确度高。
[0009]在一些可选的实施例中，所述方法还包括：利用SE
‑
ResNext50网络、RPN网络以及第一头结构至第三头结构，构建预设检测网络；获取训练数据集，所述训练数据集中的每个
训练数据包括一个训练图像和所述训练图像对应的标注检测信息；针对所述训练数据集中的每个所述训练图像，将所述训练图像输入所述SE
‑
ResNext50网络，得到所述训练图像对应的特征信息；将所述训练图像输入所述RPN网络，得到所述训练图像对应的ROI信息；将所述训练图像对应的特征信息和ROI信息输入所述第一头结构，得到所述训练图像对应的第一分类信息和第一回归信息；将所述训练图像对应的特征信息和第一回归信息输入第二头结构，得到所述训练图像对应的第二分类信息和第二回归信息；将所述训练图像对应的特征信息和第二回归信息输入所述第三头结构，得到所述训练图像对应的第三分类信息和第三回归信息作为所述训练图像对应的预测检测信息；利用所述训练图像对应的预测检测信息和标注检测信息训练所述预设检测网络，得到所述生物体检测模型；其中，所述第一头结构至所述第三头结构是结构相同的头结构，每个头结构分别包括ROI Align层、分类分支和回归分支，分类分支包括两个全连接层，回归分支包括两个卷积层和一个全连接层。
[0010]该技术方案的有益效果在于，利用SE
‑
ResNext50网络，结合RPN网络以及第一头结构至第三头结构，构建预设检测网络，使网络能够越来越深，避免了深层网络中梯度弥散和精度下降的问题，既控制了速度，又控制了精度；而获取训练数据集，基于训练数据集中的每个训练图像，得到训练图像对应的特征信息，基于训练图像对应的特征信息得到训练图像对应的ROI信息，基于训练图像对应的特征信息和ROI信息得到训练图像对应的第一分类信息和第一回归信息，基于训练图像对应的特征信息和第一回归信息得到信息图像对应的第二分类信息和第二回归信息，基于训练图像对应的特征信息和第二回归信息得到训练图像对应的第三分类信息和第三回归信息作为训练图像对应的预检测信息，基于训练图像对应的预检测信息和标注检测信息训练预设检测网络得到生物体检测模型，由此得到的生物体检测模型准确度高，利用此生物体检测模型进行生物体检测进一步提高了检测精度；第一头结构至第三头结构是结构相同的头结构使得检测速度更快。
[0011]在一些可选的实施例中，所述SE
‑
ResNext50网络包括第二stage模块至第五stage模块，所述将所述训练图像输入所述SE
‑
ResNext50网络，得到所述训练图像对应的特征信息，包括：将所述训练图像输入所述第二stage模块，得到所述训练图像对应的第二特征图；将所述训练图像对应的第二特征图输入第三stage模块，得到所述训练图像对应的第三特征图；将所述训练图像对应的第三特征图输入第四stage模块，得到所述训练图像对应的第四特征图；将所述训练图像对应的第四特征图输入所述第五stage模块，得到所述训练图像对应的第五特征图；
[0012]利用所述训练图像对应的第二特征图至第五特征图构建特征金字塔，得到所述训练图像对应的按照特征图尺寸顺序排列的多个特征图作为所述训练图像对应的特征信息。该技术方案的有益效果在于，构建特征金字塔，使得获取特征信息的速度更快，得到的特征信息更加准确。
[0013]在一些可选的实施例中，所述训练数据集中的每个训练数据还包括所述训练图像分别和所述检索图像集中各所述检索图像对应的标注重识别信息，所述训练图像和所述检索图像对应的标注重识别信息用于指示所述训练图像和所述检索图像是否包含同一生物体，所述方法还包括：利用ResNet50网络、池化层和BNNeck网络，构建预设重识别网络；利用所述训练图像及其对应的预测检测信息和所述ResNet50网络，获取所述训练图像对应的图残差特征；将所述训练图像对应的图残差特征输入所述池化层，得到所述训练图像对应的
池化特征；将所述训练图像对应的池化特征输入所述BNNeck网络，得到所述训练图像对应的归一化特征；利用所述训练图像对应的归一化特征，获取所述训练图像分别和所述检索图像集中各所述检索图像对应的预测重识别信息；利用所述训练图像分别和所述检索图像集中各所述检索图像对应的预测重识别信息、所述训练图像分别和所述检索图像集中各所述检索图像对应的标注重识别信息训练所述预设重识别网络，得到所述生物体重识别模型。
[0014]该技术方案的有益效果在于，基于ResN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物体重识别方法，其特征在于，所述方法包括：获取查询图像；将所述查询图像输入生物体检测模型，得到所述查询图像对应的预测检测信息；利用所述查询图像及其对应的预测检测信息和生物体重识别模型，获取所述查询图像分别和检索图像集中各所述检索图像对应的预测重识别信息，所述查询图像和所述检索图像对应的预测重识别信息用于指示所述查询图像和所述检索图像是否包含同一生物体。2.根据权利要求1所述的生物体重识别方法，其特征在于，所述方法还包括：利用SE
‑
ResNext50网络、RPN网络以及第一头结构至第三头结构，构建预设检测网络；获取训练数据集，所述训练数据集中的每个训练数据包括一个训练图像和所述训练图像对应的标注检测信息；针对所述训练数据集中的每个所述训练图像，将所述训练图像输入所述SE
‑
ResNext50网络，得到所述训练图像对应的特征信息；将所述训练图像输入所述RPN网络，得到所述训练图像对应的ROI信息；将所述训练图像对应的特征信息和ROI信息输入所述第一头结构，得到所述训练图像对应的第一分类信息和第一回归信息；将所述训练图像对应的特征信息和第一回归信息输入第二头结构，得到所述训练图像对应的第二分类信息和第二回归信息；将所述训练图像对应的特征信息和第二回归信息输入所述第三头结构，得到所述训练图像对应的第三分类信息和第三回归信息作为所述训练图像对应的预测检测信息；利用所述训练图像对应的预测检测信息和标注检测信息训练所述预设检测网络，得到所述生物体检测模型；其中，所述第一头结构至所述第三头结构是结构相同的头结构，每个头结构分别包括ROI Align层、分类分支和回归分支，分类分支包括两个全连接层，回归分支包括两个卷积层和一个全连接层。3.根据权利要求2所述的生物体重识别方法，其特征在于，所述SE
‑
ResNext50网络包括第二stage模块至第五stage模块，所述将所述训练图像输入所述SE
‑
ResNext50网络，得到所述训练图像对应的特征信息，包括：将所述训练图像输入所述第二stage模块，得到所述训练图像对应的第二特征图；将所述训练图像对应的第二特征图输入第三stage模块，得到所述训练图像对应的第三特征图；将所述训练图像对应的第三特征图输入第四stage模块，得到所述训练图像对应的第四特征图；将所述训练图像对应的第四特征图输入所述第五stage模块，得到所述训练图像对应的第五特征图；利用所述训练图像对应的第二特征图至第五特征图构建特征金字塔，得到所述训练图像对应的按照特征图尺寸顺序排列的多个特征图作为所述训练图像对应的特征信息。4.根据权利要求2所述的生物体重识别方法，其特征在于，所述训练数据集中的每个训练数据还包括所述训练图像分别和所述检索图像集中各所述检索图像对应的标注重识别信息，所述训练图像和所述检索图像对应的标注重识别信息用于指示所述训练图像和所述
检索图像是否包含同一生物体，所述方法还包括：利用ResNet50网络、池化层和BNNeck网络，构建预设重识别网络；利用所述训练图像及其对应的预测检测信息和所述ResNet50网络，获取所述训练图像对应的图残差特征；将所述训练图像对应的图残差特征输入所述池化层，得到所述训练图像对应的池化特征；将所述训练图像对应的池化特征输入所述BNNeck网络，得到所述训练图像对应的归一化特征；利用所述训练图像对应的归一化特征，获取所述训练图像分别和所述检索图像集中各所述检索图像对应的预测重识别信息；利用所述训练图像分别和所述检索图像集中各所述检索图像对应的预测重识别信息、所述训练图像分别和所述检索图像集中各所述检索图像对应的标注重识别信息训练所述预设重识别网络，得到所述生物体重识别模型。5.根据权利要求4所述的生物体重识别方法，其特征在于，所述方法还包括：利用各所述训练图像对应的预测检测信息，对各所述训练图像分别进行数据增广，得到各所述训练图像对应的增广图像并存储至所述...

【专利技术属性】
技术研发人员：陈海波，罗志鹏，姚粤汉，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：