一种海洋生物检测方法、系统和设备技术方案

本发明专利技术公开了海洋生物检测方法、系统和设备，海洋生物检测方法，包括以下步骤：获取ImageNet数据集、海洋生物细粒度图像分类数据集以及拍摄得到的海洋生物数据集；使用所述ImageNet数据集对预设分类网络进行训练，得到预训练模型；使用所述海洋生物细粒度图像分类数据集对所述预训练模型进行训练得到训练模型；选取部分所述海洋生物数据集进行标注得到标注数据集；使用预设算法对标注数据集进行强化；使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练，得到海洋生物检测模型；输入未被标注的自拍摄海洋生物数据集，输出检测信息，能够准确的检测出图像或视频中存在的海洋生物种类。出图像或视频中存在的海洋生物种类。出图像或视频中存在的海洋生物种类。

【技术实现步骤摘要】
一种海洋生物检测方法、系统和设备


[0001]本专利技术涉及数字图像处理
，具体为一种海洋生物检测方法、系统和设备。

技术介绍

[0002]全球气候的变化以及环境污染等问题造成海洋生态环境的改变，严重破坏了一些海洋生物赖以生存的环境，随之而来的是海洋生物多样性的消失。海洋资源的匮乏问题已成为目前人类又一个不愿面对的海洋真相,海洋资源可持续发展也将是本世纪最重要的课题之一。研究海洋生物多样性，统计掌握现有的海洋生物资源种类，对海洋生物资源保护，海洋生物科学研究有重大意义。
[0003]近年来，随着深度学习技术的发展与逐渐成熟，从图像中识别出对象物的“图像识别技术”的性能借助“深度学习”得以迅速提高，在点燃了其在学术界的研究热潮的同时，也引起了产业界的广泛关注，也为基于视觉的角度进行海洋生物图像分类与识别提供了新的探索方向。
[0004]一方面，基于深度学习技术对物种进行识别需要大量的生物图像，尚存的海洋生物数据库都存在海洋生物物种图库量少，物种图像缺失等问题。因此构建海洋生物图像库并研究基于视觉的海洋生物目标检测对海洋资源的开发具有重要的研究价值和战略意义。
[0005]另一方面，基于深度学习的目标检测算法为了检测更多复杂的特征往往会加深或加宽网络，同时为了减少计算量以及增加位移不变特性，网络中常常增加池化层，池化层下采样过程不可避免地会丢失部分或者全部小目标特征信息，在实际中就会导致小目标的漏检情况。如何借助于大数据与人工智能手段对水下环境数据进行分析，提升海洋生物检测准确率是当前研究的重要课题。

技术实现思路

[0006]为了解决上述技术问题，本专利技术的目的在于提供一种海洋生物检测方法、系统和设备，能够准确的检测出图像或视频中存在的海洋生物种类。
[0007]为达到上述目的，本专利技术提供的技术方案如下：
[0008]根据本专利技术的一个方面，一种海洋生物检测方法，包括以下步骤：
[0009]获取ImageNet数据集、海洋生物细粒度图像分类数据集以及拍摄得到的海洋生物数据集；
[0010]使用所述ImageNet数据集对预设分类网络进行训练，得到预训练模型；
[0011]使用所述海洋生物细粒度图像分类数据集对所述预训练模型进行训练得到训练模型；
[0012]选取部分所述海洋生物数据集进行标注得到标注数据集；
[0013]使用预设算法对标注数据集进行强化；
[0014]使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练，得到海洋生物检测模型；
[0015]输入未被标注的自拍摄海洋生物数据集，输出检测信息。
[0016]进一步的，使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练得到海洋生物检测模型，包括：在训练模型进行检测时增加位置注意力机制并基于多尺度检测网络生成至少两种尺度的图像。
[0017]进一步的，在训练模型进行检测时增加位置注意力机制，包括通过若干第三卷积层、最大池化层、平均池化层提取捕获待检测图像任意两个位置之间的空间依赖。
[0018]进一步的，通过若干第三卷积层、最大池化层、平均池化层提取捕获待检测图像任意两个位置之间的空间依赖，包括：
[0019]利用平均池化层和最大池化层对输入的多通道特征图进行特征提取，然后将多通道特征图融合，使用第三卷积层将多通道特征图变成单通道的特征图，接着通过卷积网络将单通道特征图变成多通道特征图，最后与初始输入的多通道特征图进行融合，实现提取图像任意两个位置的空间依赖。
[0020]进一步的，选取部分所述海洋生物数据集进行标注得到标注数据集，包括：使用ImgLabel标注工具进行标注，标注过程中标记海洋生物的身份信息，同时需要使用标签框对海洋生物的位置进行标注。
[0021]进一步的，使用预设算法对标注数据集进行强化，包括：首先，从标注数据集中取出以batch_size为单位的批量图像，然后，从batch_size中随机取出多张图像，最后，对多张图像按照预设规则进行任意的裁剪，将裁剪后的图像进行拼接，融合成一张图像，优选的，若进行裁剪时，裁剪了图像的标签框区域，则将其舍弃。
[0022]进一步的，使用所述ImageNet数据集对预设模型进行训练时，每经过10个batch_size，改变输入图像的尺寸。
[0023]根据本专利技术的另一个方面，一种水海洋生物检测系统，包括：
[0024]信息采集模块，配置用于获取ImageNet数据集、海洋生物细粒度图像分类数据集以及拍摄得到的海洋生物数据集；
[0025]预训练模块，配置用于使用所述ImageNet数据集对预设分类网络进行训练，得到预训练模型；
[0026]训练模块，配置用于使用所述海洋生物精细度数据集对所述预训练模型进行训练得到训练模型；
[0027]数据标注模块，配置用于选取部分所述海洋生物数据集进行标注得到标注数据集；
[0028]强化模块，配置用于使用预设算法对标注数据集进行强化；
[0029]检测模块，配置用于使用训练模型结合多尺度检测网络和位置注意力机制基于增强后的标注数据集进行训练，得到海洋生物检测模型，以供输入未被标注的海洋生物数据集，输出检测信息。
[0030]进一步的，所述分类网络为DarkNet53网络，包括若干第一卷积层、第一BN层、第一激活层、残差模块及归一化指数函数；
[0031]和/或
[0032]所述多尺度检测网络包括若干第二卷积层、第二BN层、第二激活层，配置用于生成至少两种尺度的图像，比如可以是两种或三种尺度的图像。
[0033]和/或
[0034]所述位置注意力机制包括若干第三卷积层、最大池化层、平均池化层，配置用于提取捕获待检测图像任意两个位置之间的空间依赖。
[0035]根据本专利技术的另一个方面，提供了一种设备，包括：
[0036]一个或多个处理器；
[0037]存储器，用于存储一个或多个程序，
[0038]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
[0039]根据本专利技术的另一个方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。
[0040]与现有技术相比，本专利技术具有以下有益效果：
[0041]1、本专利技术示例的海洋生物检测方法，使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练，能够准确的检测出图像及视频中存在的海洋生物种类及坐标。可以对海洋水下生物(如鱼类)进行检测，在海洋生物保护、海洋牧场及机器人智能捕捞等领域能发挥重要的作用
[0042]2、本专利技术示例的水海洋生物检测系统，使用多尺度预测网络对目标图像输出结合位置注意力机制有效解决模型对小目标漏检的问题，综合提升海洋生物目标检测结果；
[0043]3、本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋生物检测方法，其特征在于，包括：获取ImageNet数据集、海洋生物细粒度图像分类数据集以及拍摄得到的海洋生物数据集；使用所述ImageNet数据集对预设分类网络进行训练，得到预训练模型；使用所述海洋生物细粒度图像分类数据集对所述预训练模型进行训练得到训练模型；选取部分所述海洋生物数据集进行标注得到标注数据集；使用预设算法对标注数据集进行强化；使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练，得到海洋生物检测模型；输入未被标注的自拍摄海洋生物数据集，输出检测信息。2.根据权利要求1所述的海洋生物检测方法，其特征在于，使用训练模型结合多尺度检测网络和位置注意力机制基于强化后的标注数据集进行训练得到海洋生物检测模型，包括：在训练模型进行检测时增加位置注意力机制并基于多尺度检测网络生成至少两种尺度的图像。3.根据权利要求2所述的海洋生物检测方法，其特征在于，在训练模型进行检测时增加位置注意力机制，包括通过若干第三卷积层、最大池化层、平均池化层提取捕获待检测图像任意两个位置之间的空间依赖。4.根据权利要求1所述的海洋生物检测方法，其特征在于，通过若干第三卷积层、最大池化层、平均池化层提取捕获待检测图像任意两个位置之间的空间依赖，包括：利用平均池化层和最大池化层对输入的多通道特征图进行特征提取，然后将多通道特征图融合，使用第三卷积层将多通道特征图变成单通道的特征图，接着通过卷积网络将单通道特征图变成多通道特征图，最后与初始输入的多通道特征图进行融合，实现提取图像任意两个位置的空间依赖。5.根据权利要求1所述的海洋生物检测方法，其特征在于，选取部分所述海洋生物数据集进行标注得到标注数据集，包括：使用ImgLabel标注工具进行标注，标注过程中标记海洋生物的类别信息，同时需要使用标签框对海洋生物的位置进行标注。6.根据权利要求5所述的海洋生物检测方法，其特征在于，使用预设算法对标注数据集进行强化，包括...

【专利技术属性】
技术研发人员：李传涛，赵志刚，霍吉东，李响，武鲁，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：