【技术实现步骤摘要】
浮游生物场景分类方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能领域，尤其涉及一种浮游生物场景分类方法、装置、设备及存储介质。
技术介绍
[0002]水下环境复杂且多变，浮游生物种类多样且混杂各种干扰物，因此成像仪采集的原位图像不可避免的会出现浊度高低不同、浮游生物密度不同、视野内干扰物密度不同等情况。
[0003]目前，现有的浮游生物检测与分类技术主要是单式神经网络架构，该架构通常是采用多个卷积层、池化层、激活层对图像进行特征提取，然后通过特征金字塔融合特征信息、形成ROI区域，最终对ROI区域的IOU、置信度等指标进行分析，从而得出检测结果。而在复杂多变场景下的浮游生物检测、分割、分类过程中会出现准确率不佳、伪真率过高、微小生物群落丢失过多等问题。
技术实现思路
[0004]本专利技术提供了一种浮游生物场景分类方法、装置、设备及存储介质，用于促使目标检测模型自适应不同场景下的浮游生物识别进而提高浮游生物目标检测准确率。
[0005]本专利技术第一方面提供了一种浮游生物场景分类...
【技术保护点】
【技术特征摘要】
1.一种浮游生物场景分类方法，其特征在于，所述浮游生物场景分类方法包括：基于预设的场景类别总数构建场景类别数据集合；将所述场景类别数据集合输入预置的训练模型进行浮游生物场景分类训练，得到场景分类权重模型；获取待处理的目标图像，并将所述目标图像输入所述场景分类权重模型进行场景分类预测，得到初始场景分类结果；对所述初始场景分类结果进行预处理操作，得到目标场景优化结果。2.根据权利要求1所述的浮游生物场景分类方法，其特征在于，所述获取待处理的目标图像，并将所述目标图像输入所述场景分类权重模型进行场景分类预测，得到初始场景分类结果，包括：基于预置的图像采集终端采集待处理的目标图像；将所述目标图像输入所述场景分类权重模型，其中，所述场景分类权重模型包括：第一卷积网络、特征提取网络、第二卷积网络和全连接网络；通过所述场景分类权重模型对所述目标图像进行场景分类预测，得到初始场景分类结果。3.根据权利要求2所述的浮游生物场景分类方法，其特征在于，所述通过所述场景分类权重模型对所述目标图像进行场景分类预测，得到初始场景分类结果，包括：通过所述场景分类权重模型中的第一卷积网络对所述目标图像进行卷积运算，得到第一卷积特征；将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据；将所述目标特征数据输入所述第二卷积网络进行卷积运算，得到第二卷积特征；将所述第二卷积特征输入所述全连接网络进行场景分类预测，输出初始场景分类结果。4.根据权利要求3所述的浮游生物场景分类方法，其特征在于，所述将所述第一卷积特征输入所述特征提取网络进行特征提取处理，得到目标特征数据，包括：将所述第一卷积特征输入所述特征提取网络，其中，所述特征提取网络包括：第一特征提取层和第二特征提取层；通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始特征数据；通过所述第二特征提取层对所述初始特征数据进行特征归一化处理，得到目标特征数据。5.根据权利要求4所述的浮游生物场景分类方法，其特征在于，所述通过所述第一特征提取层对所述第一卷积特征进行卷积特征运算，得到初始...
【专利技术属性】
技术研发人员：毕洪生，王端生，应轲臻，
申请(专利权)人：深圳市绿洲光生物技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。