基于AmoebaNet+NAS-FPN+AA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AmoebaNet+NAS

【技术实现步骤摘要】
基于AmoebaNet+NAS
‑
FPN+AA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AmoebaNet+NAS
‑
FPN+AA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。现有通过目标检测对水生生物识别，目标检测是计算机视觉中的一类经典任务，指的是在给定的图片中找出物体的位置并用最小外接矩形将其框出来，特定的任务还会输出物体的类别。然而，现有的生物识别中，识别效果不好，精准度不高。

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AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法。
[0004]本专利技术提出的基于AmoebaNet+NAS
‑
FPN+AA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生物图像数据；
[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数据；
[0007]S3通过AmoebaNet+NAS
‑
FPN+AA算法对处理后的生物图像进行目标检测；
[0008]S31选取AmoebaNet、NAS
‑
FPN、AA目标检测网络作为候选目标检测网络；
[0009]S32按照目标检测网络的层数分别为候选检测网络设计信息度附加网络；
[0010]S33联合训练目标检测网络和信息度附加网络，设计信息度附加网络的损失函数以及整个网络的训练策略，目标检测网络的损失函数由目标检测方法确定；
[0011]S34对信息度附加网络的输出值做尺度归一化，根据信息度附加网络的输出来选择目标检测网络；
[0012]S35采用最优目标检测网络对所需检测的生物图像进行检测，获得目标检测结果；
[0013]S4将检测成功结果进行发送，并将通过将检测成果进行展示。
[0014]优选的，所述步骤S1获取生物图像RGB彩色图像，将彩色图像由RGB颜色空间转为HIS颜色空间，HIS颜色空间的HIS图像信息包括图像饱和度、亮度及位置信息。
[0015]优选的，所述步骤S32AmoebaNet、NAS
‑
FPN、AA选取自重3层特征层来构建信息度附加网络。
[0016]优选的，选取自重3层特征层，先进行一次卷积操作后再进行一次全局平均池化将特征图转化为特征向量。
[0017]优选的，所述步骤S34对信息度附加网络的输出进行尺度归一化。
[0018]优选的，所述步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理。
[0019]优选的，所述步骤S2对采集的生物图像进行预处理，包括：图像缩放、转置以及图像类型转换。
[0020]优选的，所述步骤S35通过选自于警示信息、警示灯号、警示声音所组成的群组，来表示检测未成功的异常信号。
[0021]本专利技术中，所述基于AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法，通过设置AmoebaNet+NAS
‑
FPN+AA算法，可以结合不同检测模型在不同图片特征上的优异表现以综合提升检测准确率，便于提高生物的识别率。
附图说明
[0022]图1为本专利技术提出的基于AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法的流程图；
[0023]图2为本专利技术提出的基于AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法的目标检测流程图。
具体实施方式
[0024]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。
[0025]参照图1
‑
2，基于AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法，包括如下步骤：
[0026]S1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
[0027]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数据；
[0028]S3通过AmoebaNet+NAS
‑
FPN+AA算法对处理后的生物图像进行目标检测；
[0029]S31选取AmoebaNet、NAS
‑
FPN、AA目标检测网络作为候选目标检测网络；
[0030]S32按照目标检测网络的层数分别为候选检测网络设计信息度附加网络；
[0031]S33联合训练目标检测网络和信息度附加网络，设计信息度附加网络的损失函数以及整个网络的训练策略，目标检测网络的损失函数由目标检测方法确定；
[0032]S34对信息度附加网络的输出值做尺度归一化，根据信息度附加网络的输出来选择目标检测网络；
[0033]S35采用最优目标检测网络对所需检测的生物图像进行检测，获得目标检测结果；
[0034]S4将检测成功结果进行发送，并将通过将检测成果进行展示。
[0035]本专利技术中，步骤S1获取生物图像RGB彩色图像，将彩色图像由RGB颜色空间转为HIS颜色空间，HIS颜色空间的HIS图像信息包括图像饱和度、亮度及位置信息。
[0036]本专利技术中，步骤S32AmoebaNet、NAS
‑
FPN、AA选取自重3层特征层来构建信息度附加网络。
[0037]本专利技术中，选取自重3层特征层，先进行一次卷积操作后再进行一次全局平均池化将特征图转化为特征向量。
[0038]本专利技术中，步骤S34对信息度附加网络的输出进行尺度归一化。
[0039]本专利技术中，步骤S1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理。
[0040]本专利技术中，步骤S2对采集的生物图像进行预处理，包括：图像缩放、转置以及图像类型转换。
[0041]本专利技术中，步骤S35通过选自于警示信息、警示灯号、警示声音所组成的群组，来表示检测未成功的异常信号。
[0042]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生物图像数据；对采集的生物图像数据进行处理，得到处理后的生物图像数据；通过AmoebaNet+NAS
‑
...

【技术保护点】

【技术特征摘要】
1.基于AmoebaNet+NAS
‑
FPN+AA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生物图像数据；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数据；S3通过AmoebaNet+NAS
‑
FPN+AA算法对处理后的生物图像进行目标检测；S31选取AmoebaNet、NAS
‑
FPN、AA目标检测网络作为候选目标检测网络；S32按照目标检测网络的层数分别为候选检测网络设计信息度附加网络；S33联合训练目标检测网络和信息度附加网络，设计信息度附加网络的损失函数以及整个网络的训练策略，目标检测网络的损失函数由目标检测方法确定；S34对信息度附加网络的输出值做尺度归一化，根据信息度附加网络的输出来选择目标检测网络；S35采用最优目标检测网络对所需检测的生物图像进行检测，获得目标检测结果；S4将检测成功结果进行发送，并将通过将检测成果进行展示。2.根据权利要求1所述的基于AmoebaNet+NAS
‑
FPN+AA算法的生态生物识别方法，其特征在于，所述步骤S1获取生物图像RGB彩色图像，将彩色图像由RGB颜色空间转为HIS颜色空间，HIS颜色空间的HIS图像信息包括图像饱和度、亮度及位置信息。3.根据权利要求1所述的基于AmoebaNet+NAS
‑

【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：