【技术实现步骤摘要】
一种基于深度学习的浮游藻类微生物检测方法
[0001]本专利技术涉及计算机视觉领域
。
本专利技术公开了一种图像分类快速推理的混合神经网络来实现快速且高精度的浮游藻类目标检测
。
在利用少量标注样本学习藻类微生物特征，并结合藻类微生物形态多样
、
种类繁多以及密集微小等特点
。
同时，利用大量未标注样本，快速有效地将深度学习方法应用于藻类检测任务
。
技术介绍
[0002]传统的浮游藻类微生物检测方法往往需要人工干预和分析，费时费力且容易产生主观误差，是一项困难
、
昂贵且耗时的任务
。
藻类检测有多种方法，包括显微镜检查和化学分析等传统方法，以及遥感和机器学习等更先进的技术
。
近年来，深度学习广泛运用在图像分类
、
物体检测等机器视觉方向并有着突破性成就
。
利用深度学习技术，可以实现对浮游藻类的自动化检测和分类，减轻人工负担并提高检测的准确性和效率
。
...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的浮游藻类微生物检测方法，其特征在于，所述方法包括以下步骤：步骤1：对原始训练数据的预处理，将数据集整理为大量的无标注样本和有标注样本，在有标注样本中，选择了硅藻
、
绿藻和蓝藻作为目标类别，数据集的格式符合
COCO
格式要求；步骤2：图像分类快速推理的混合神经网络结构的建立，使用该骨干网络来进行实现特征的提取；步骤3：将步骤1得到的有标注数据集作为步骤2中的网络的输入；步骤4：网络的训练：第一阶段，利用大量无标注样本进行了预训练；接下来进行第二阶段的微调，使用有标注的来自硅藻门
、
绿藻门和蓝藻门的数据集来完成藻类目标检测的下游任务
。2.
如权利要求1所述的一种基于深度学习的浮游藻类微生物检测方法，其特征在于，所述步骤1中，数据集划分步骤如下：
1.1、
依次从原始训练集中取无标注样本和有标注样本；
1.2、
在有标注样本中，选择了硅藻
、
绿藻和蓝藻的数据，对重复数据
、
有害数据进行数据清理；
1.3、
将筛选后的有标注样本进行格式转换，由
labelme
转目标检测用
COCO
格式数据集；
1.4、
根据
step 3
中得到...
【专利技术属性】
技术研发人员：陈琦，黄洁，胡海根，陆诚韬，周乾伟，
申请(专利权)人：浙江工业大学，
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。