基于SpineNet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SpineNet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采集多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图。本发明专利技术通过设置SpineNet算法，能够有效的减小算力的需求，且有效的提高了目标检测的精确度，能够用更少的计算和近似相同数量的参数，可以获得更高的精度。可以获得更高的精度。可以获得更高的精度。

【技术实现步骤摘要】
基于SpineNet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SpineNet算法的生态生物识别方法。

技术介绍

[0002]水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。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。然而，现有的水生生物图像识别时，特征不明显，计算量较大，且精确度不高。

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SpineNet算法的生态生物识别方法。
[0004]本专利技术提出的基于SpineNet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采集多个生物图像；
[0006]S2对采集的生物图像数据进行处理，得到处理后的生物图像；
[0007]S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；
[0008]S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；
[0009]S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；
[0010]S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；
[0011]S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
[0012]优选的，所述步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。
[0013]优选的，所述步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。
[0014]优选的，所述生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。
[0015]优选的，所述步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间
数据中色调为白色的像素。
[0016]优选的，所述步骤S2还采用混合滤波方法对生物图像做降噪处理。
[0017]优选的，所述步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。
[0018]优选的，所述步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。
[0019]本专利技术中，所述基于SpineNet算法的生态生物识别方法，通过设置SpineNet算法，能够有效的减小算力的需求，且有效的提高了目标检测的精确度，能够用更少的计算和近似相同数量的参数，可以获得更高的精度。
附图说明
[0020]图1为本专利技术提出的基于SpineNet算法的生态生物识别方法的流程图。
具体实施方式
[0021]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。
[0022]参照图1，基于SpineNet算法的生态生物识别方法，包括如下步骤：
[0023]S1发起生态生物识别请求，根据请求在生态环境中采集多个生物图像；
[0024]S2对采集的生物图像数据进行处理，得到处理后的生物图像；
[0025]S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；
[0026]S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；
[0027]S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；
[0028]S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；
[0029]S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
[0030]本专利技术中，步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。
[0031]本专利技术中，步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。
[0032]本专利技术中，生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。
[0033]本专利技术中，步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间数据中色调为白色的像素。
[0034]本专利技术中，步骤S2还采用混合滤波方法对生物图像做降噪处理。
[0035]本专利技术中，步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。
[0036]本专利技术中，步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。
[0037]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采集多个生物图像；对采
集的生物图像数据进行处理，得到处理后的生物图像；通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。
[0038]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SpineNet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采集多个生物图像；S2对采集的生物图像数据进行处理，得到处理后的生物图像；S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。2.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。3.根据权利要求1所述的基于SpineNet算法的生态生物识别方法，其特征在于，所述步骤S3对待识别生物图像依次进行第一卷积处理、最...

【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：