基于HKRM算法的生态生物识别方法技术

本发明专利技术公开了基于HKRM算法的生态生物识别方法，包括如下步骤：发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；对待识别的生物图像进行预处理，然后将预处理后待识别的生物图像及其对应的候选框送入神经网络；神经网络对生物图像进行处理，在训练过程中输出待识别生物图像对应每一个类别的概率数值，在测试过程中输出待识别生物图像预测的框的坐标、类别、得分；选取处理后的生物图像，并通过HKRM算法进行图像分割处理得到图像。本发明专利技术运算速度快，运算精度高，通过HKRM算法的设置，减少了很多重复计算，检测速度快，提升了检测的准确度，能够便于对生态生物的精准识别，进一步提高了生物识别率。进一步提高了生物识别率。进一步提高了生物识别率。

【技术实现步骤摘要】
基于HKRM算法的生态生物识别方法


[0001]本专利技术涉及生物识别
，尤其涉及基于HKRM算法的生态生物识别方法。

技术介绍

[0002]水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况，有许多水生生物对水中毒物很敏感，也可以通过水生生物毒性实验结果来判断水质污染程度。水生生物的调查常用到生物识别技术，现有的生物识别检测难道大，检测效率和精度不高。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了基于HKRM算法的生态生物识别方法。
[0004]本专利技术提出的基于HKRM算法的生态生物识别方法，包括如下步骤：
[0005]S1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；
[0006]S2对待识别的生物图像进行预处理，然后将预处理后待识别的生物图像及其对应的候选框送入神经网络；
[0007]S3神经网络对生物图像进行处理，在训练过程中输出待识别生物图像对应每一个类别的概率数值，在测试过程中输出待识别生物图像预测的框的坐标、类别、得分；
[0008]S4选取处理后的生物图像，并通过HKRM算法进行图像分割处理得到图像；
[0009]S5对分割处理得到图像进行特征提取，得到生物图像的特征数据；
[0010]S6将得到的生物图像特征数据与生态特征数据库中的特征数据进行对比识别。
[0011]优选的，所述对待识别的生物图像进行预处理，包括首先对生物图像进行标准化处理，再随机选择一个数值，将生物进行对应数值的缩放。
[0012]优选的，所述采集生物图像进行转换处理，得到过渡域图像，所述过渡域图像包括生物图像中的目标物体、标注信息以及背景信息。
[0013]优选的，所述过渡域图像以及生物图像输入对抗学习模型中，训练目标检测模型，得到训练后的目标检测模型。
[0014]优选的，所述步骤S5通过目标检测模型中的卷积网络提取过渡特征中的待识别特征图,根据待识别特征图识别所述过渡域图像中的标注信息以及目标物体的类别。
[0015]优选的，所述步骤S5特征提取包括一个卷积层和一个最大池化层，利用目标检测网络中的特征提取支路，对待检测图像进行浅层特征提取，得到待检测图像对应的浅层特征图。
[0016]优选的，所述步骤S1对采集生物图像数据进行加密处理，并将加密处理后的生物
图像数据放入存储器中进行存储。
[0017]优选的，所述步骤S9生物图像特征数据对比识别成功后，发送识别成功的提示信息，并展示。
[0018]本专利技术中，所述基于HKRM算法的生态生物识别方法，运算速度快，运算精度高，通过HKRM算法的设置，减少了很多重复计算，检测速度快，提升了检测的准确度，能够便于对生态生物的精准识别，进一步提高了生物识别率。
附图说明
[0019]图1为本专利技术提出的基于HKRM算法的生态生物识别方法的流程图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0021]参照图1，基于HKRM算法的生态生物识别方法，包括如下步骤：
[0022]S1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；
[0023]S2对待识别的生物图像进行预处理，然后将预处理后待识别的生物图像及其对应的候选框送入神经网络；
[0024]S3神经网络对生物图像进行处理，在训练过程中输出待识别生物图像对应每一个类别的概率数值，在测试过程中输出待识别生物图像预测的框的坐标、类别、得分；
[0025]S4选取处理后的生物图像，并通过HKRM算法进行图像分割处理得到图像；
[0026]S5对分割处理得到图像进行特征提取，得到生物图像的特征数据；
[0027]S6将得到的生物图像特征数据与生态特征数据库中的特征数据进行对比识别。
[0028]本专利技术中，对待识别的生物图像进行预处理，包括首先对生物图像进行标准化处理，再随机选择一个数值，将生物进行对应数值的缩放。
[0029]本专利技术中，采集生物图像进行转换处理，得到过渡域图像，过渡域图像包括生物图像中的目标物体、标注信息以及背景信息。
[0030]本专利技术中，过渡域图像以及生物图像输入对抗学习模型中，训练目标检测模型，得到训练后的目标检测模型。
[0031]本专利技术中，步骤S5通过目标检测模型中的卷积网络提取过渡特征中的待识别特征图,根据待识别特征图识别过渡域图像中的标注信息以及目标物体的类别。
[0032]本专利技术中，步骤S5特征提取包括一个卷积层和一个最大池化层，利用目标检测网络中的特征提取支路，对待检测图像进行浅层特征提取，得到待检测图像对应的浅层特征图。
[0033]本专利技术中，步骤S1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
[0034]本专利技术中，步骤S9生物图像特征数据对比识别成功后，发送识别成功的提示信息，并展示。
[0035]本专利技术：发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；对待识别的生物图像进行预处理，然后将预处理后待识别的生物图像及其对应的候选
框送入神经网络；神经网络对生物图像进行处理，在训练过程中输出待识别生物图像对应每一个类别的概率数值，在测试过程中输出待识别生物图像预测的框的坐标、类别、得分；选取处理后的生物图像，并通过HKRM算法进行图像分割处理得到图像；对分割处理得到图像进行特征提取，得到生物图像的特征数据；将得到的生物图像特征数据与生态特征数据库中的特征数据进行对比识别。
[0036]以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于HKRM算法的生态生物识别方法，其特征在于，包括如下步骤：S1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；S2对待识别的生物图像进行预处理，然后将预处理后待识别的生物图像及其对应的候选框送入神经网络；S3神经网络对生物图像进行处理，在训练过程中输出待识别生物图像对应每一个类别的概率数值，在测试过程中输出待识别生物图像预测的框的坐标、类别、得分；S4选取处理后的生物图像，并通过HKRM算法进行图像分割处理得到图像；S5对分割处理得到图像进行特征提取，得到生物图像的特征数据；S6将得到的生物图像特征数据与生态特征数据库中的特征数据进行对比识别。2.根据权利要求1所述的基于HKRM算法的生态生物识别方法，其特征在于，所述对待识别的生物图像进行预处理，包括首先对生物图像进行标准化处理，再随机选择一个数值，将生物进行对应数值的缩放。3.根据权利要求1所述的基于HKRM算法的生态生物识别方法，其特征在于，所述采集生物图像进行转换处理，得到过渡域图像，所述过渡域图像包括生物图像中的目标物体、标注信息以...

【专利技术属性】
技术研发人员：杨志峰，沈永明，张远，蔡宴朋，
申请(专利权)人：澜途集思生态科技集团有限公司，
类型：发明
国别省市：