【技术实现步骤摘要】
本专利技术属于水下图像分类领域，具体涉及一种基于残差卷积网络的水生生物类别电子标注方法。
技术介绍
1、水生生物是河流和海洋的重要组成部分，其对所处地域的生态环境和经济产生着巨大的影响。对水生生物的检测和分类有助于当地发现物种的繁殖区域以及水域面积大小，以此为参考合理规划当地的经济发展。对水生生物的分类也有助于科学家正确识别生物物种，以此开发出新的海洋药物和工业化产物。水生生物是海洋的重要组成部分，而海洋是生命的发源地，对水生生物的分类有助于研究生命的起源和演化问题，因此，进行水生图像类别电子标注的研究具有重要的意义。
2、受水下光照不充分影响，水下图像充满噪点，这增加了对水生生物分类的难度。当前在水下图像分类领域中，常用的卷积神经网络有以下几种，如efficientnet、goolenet等典型的神经网络。goolenet的神经结构较为简单，可能无法适应生产需要。efficientnet具有高精度、高效性、可扩展性的特征，但也存在训练时间长、不适合小数据集、参数量大的缺点。resnet具有更深的网络结构、能有效利用资源的优点。resnet引入了残差连接，允许跳过某些层的计算，从而缓解了梯度消失和梯度爆炸问题。这有助于在训练过程中更好地传播梯度，使得训练更加稳定。其创新的残差结构，使得构建深度神经网络变得更加容易和高效，并在多个计算机视觉任务中获得了出色的性能。
3、为了进一步提高水下图像分类的精度，有部分学者提出使用极限学习机代替传统cnn中的softmax层，从而完成分类任务。传统cnn训练中的反向传
4、rvfl是一种前馈神经网络，和elm十分相似，但加入了输入层和输出层的之间连接。rvfl没有反向传播的过程，这使得rvfl的训练过程要比其它类型的神经网络速度快，但由于网络结构过于单一，因此使用其进行特征提取然后对物体进行分类的准确率并不高，常规的rvfl是通过最小二乘法或者求伪逆的方式确定输出层权重来完成神经网络的训练，这使得神经网络容易出现过拟合的情况，即其产生的输出层权重使得rvfl对训练集的分类准确度很高，但是对测试集的分类准确度却很低。那么在实际运用场景中就会出现水生生物数据量过大时，电子标注类别与实际类别出现不匹配，错误等问题。
5、geo算法是由abdolkarim等人于2020年提出的一种元启发式优化算法，此优化算法具有寻优能力强、收敛速度快的特点，但仍会因为初始种群在解空间内分布不均匀而陷入局部最优解陷阱，这使得基础的geo算法处理复杂问题的能力较弱。而水生生物分类任务情况十分复杂，在水下场景中，由于光照影响大大降低了水下图像的质量，从而导致了可见度损失，弱对比度和纹理失真，颜色变化等问题，这导致水下目标检测与分类更加困难。复杂的水下环境导致原始的geo算法并不适用，会出现在识别水下生物时，无法对纹理颜色相近的生物进行有效区分，精准识别的情况。这会导致人们无法正确识别水生生物，不利于相关的海洋生物研究与相关研发，因此亟需提出一种具备优秀分类性能的基于残差卷积网络的水生生物类别电子标注方法。
技术实现思路
1、本专利技术的目的在于针对水生生物所处环境光照条件较差，周围杂质较多所导致的图像不清晰、分类困难，当用于海洋生物研究的水生生物数据量过大时，电子标注类别与实际类别容易出现不匹配等问题，提出了一种新的基于卷积神经网络、前馈神经网络以及优化算法的水生生物类别电子标注方法。使用ilsvrc2012的和水下相关的部分数据集对resnet101神经网络进行迁移学习，使其对水下物体分类更加准确，用resnet101对水下物体进行特征提取，随后用经混沌映射优化优化的金鹰优化算法(golden eagle optimizer，简称geo)和l2,1正则化优化的随机向量函数链接网络(random vector functional linknetwork，rvfl)对水生生物进行分类并进行类别标注。为水生生物研究与相关海洋药物研发提供高效准确的水生生物检测和分类，使科学家与研发人员能直接获得水生生物的正确类别，有利于进行水生生物相关研究，并且减免了人工标注大量成本与耗费时间。
2、本专利技术提供一种基于残差卷积网络的水生生物类别电子标注方法，包括以下步骤：
3、步骤1：获取图像，构建数据集：
4、所述图像为经过已确定类别的水生生物图像照片，将所述图像的长宽大小进行统一，以满足神经网络的输入；
5、对长宽大小统一后的所述图像进行正则化处理，映射到正态分布函数之下，再转换为矩阵输入到resnet101模型；
6、步骤2：构建网络模型resnet101，并进行预训练，获得初始网络模型resnet101，
7、对所述初始网络模型resnet101进行迁移学习，然后对所述初始网络模型resnet101网络参数进行微调，得到resnet101特征提取网络；
8、步骤3：将步骤1中的所述数据集分为训练集和测试集，将训练集中的数据输入步骤2中得到的所述resnet101特征提取网络，得到水生生物图像特征；
9、步骤4：使用cgeo算法优化rrvfl:
10、(4.1)使用logistic混沌映射生成geo算法的初始种群，得到改进的geo算法，将所述改进的geo算法定义为cgeo算法，利用混沌映射产生初始种群，使得解向量在解空间内分布更加均匀；
11、所述logistic混沌映射的公式如下：
12、yn+1＝μyn(1-yn)
13、其中，yn+1代表第n+1个搜索代理的空间位置，yn代表第n个搜索代理的空间位置，μ是一个[3.57,4]之间的随机数；
14、(4.2)在rvfl神经网络的输出权重计算中引入l2,1正则化，得到l2,1正则化的rvfl神经网络，将所述l2,1正则化的rvfl神经网络定义为rrvfl，避免了神经网络因过拟合而导致网络对测试集的分类精度低的情况，增强了网络的泛化能力，使得算法的分类准确率有所提高；
15、(4.3)构建使用cgeo算法优化rrvfl的分类器模型cnn-cgeo-rrvfl，使用步骤3中得到的所述水生生物图像特征，计算得到cnn-cgeo-rrvfl模型的隐藏层权重和偏置，cnn-cgeo-rrvfl的输出权重β，进而得到优化后的cnn-cgeo-rrvfl模型；
16、步骤5：获取待处理图像，使用优化后的cnn-cgeo-rrvfl模型进行处理，输出图像的水生生物类别电子标注。
17、本专利技术提出的算法是结合resnet101模型和cgeo-rrv本文档来自技高网...
【技术保护点】
1.一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤(4.1)具体包括以下步骤：
3.如权利要求2所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤(4.2)中，在RVFL神经网络的输出权重计算中引入L2,1正则化，包括以下步骤：
4.如权利要求1所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤1中，所述图像来自ILSVRC2012数据集。
5.如权利要求1所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤4中，所述CGEO算法参数具体为：初始种群大小40，最大迭代次数60。
6.如权利要求1所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤4中，所述RRVFL分类器的隐藏层节点数为100。
【技术特征摘要】
1.一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤(4.1)具体包括以下步骤：
3.如权利要求2所述的一种基于残差卷积网络的水生生物类别电子标注方法，其特征在于，所述步骤(4.2)中，在rvfl神经网络的输出权重计算中引入l2,1正则化，包括以下步骤：
4.如权利要求1所述的一种基...
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。