本发明专利技术公开了一种基于深度神经网络的码头附着生物智能检测方法，包括获取码头附着生物的图像数据和特征标准库，对所述图像数据进行预处理，对预处理后的所述图像数据进行边缘检测获得二值图像，提取所述二值图像的生物特征，将所述生物特征输入校正模型获得目标特征，对所述目标特征像进行目标检测获得生物图像，计算所述生物图像和所述特征标准库的匹配程度，根据所述匹配程度构建生物智能检测模型，将待检测图像输入所述生物智能检测模型，输出检测结果。该方法不仅可以提高生物智能检测的精度，同时具有较好的可解释性，可以直接应用于生物智能检测系统中。
【技术实现步骤摘要】
本专利技术涉及生物领域，尤其涉及一种基于深度神经网络的码头附着生物智能检测方法。
技术介绍
1、智能检测技术在生物领域的应用越来越广泛，可以帮助码头附着生物智能检测系统的管理者及时、高效地分析附着生物，实现码头附着生物智能检测。目前，码头附着生物数量庞大、种类多样、信息密度大等特点，深度神经网络检测方法存在较多的不确定因素，导致码头附着生物智能检测方法存在较大的不确定性。虽然已经专利技术了一些码头附着生物智能检测，但是仍不能有效解决码头附着生物智能检测方法的不确定问题。
技术实现思路
1、本专利技术的目的是要提供一种基于深度神经网络的码头附着生物智能检测方法。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取码头附着生物的图像数据和特征标准库，对所述图像数据进行预处理；
5、对预处理后的所述图像数据进行边缘检测获得二值图像，提取所述二值图像的生物特征；
6、将所述生物特征输入校正模型获得目标特征，对所述目标特征像进行目标检测获得生物图像，计算所述生物图像和所述特征标准库的匹配程度；包括：
7、将生物特征输入校正模型，计算信息增益：
8、w(u,k)＝g(u)-g(u|k)
9、其中生物特征为k，生物特征集合为u，生物特征集合u的经验熵为g(u)，划分样本子集的熵为g(u|k)，集合u特征k的信息增益为w(u,k)，计算信息增益率：
<
p>10、11、其中第j个生物特征为uj，生物特征的数量为p，增益系数为ν1，集合u特征k的信息增益率为r(u,k)，计算相关属性：
12、
13、其中相关属性为ζ，第j个相关系数为ψj，标准差函数为v(·)，协方差函数为e(·)，除第j个生物特征外的其它特征为ka，第j个生物特征为kj，合并信息增益集、信息增益率集和相关属性集获得三合集；
14、初始化准确率，随机选取多个生物特征作为初始特征，特征简集为输入生物特征和三合集的交集，将特征简集输入神经网络得到准确率；
15、如果准确率大于上一个的准确率则保存到新的特征子集中，合并新的特征子集和准确率最高的特征简集，获得目标集，将目标集中的特征输出为目标特征；
16、根据所述匹配程度构建生物智能检测模型，将待检测图像输入所述生物智能检测模型，输出检测结果。
17、进一步的，对预处理后的所述图像数据进行边缘检测获得二值图像的方法，包括：
18、将图像数据输入，通过高斯分布函数进行边缘描述，表达式为：
19、
20、
21、其中高斯分布函数为g(·)，对比度为η，偏移为宽度为s，图像数据为a，像素位置为a、z，尺度空间函数为φ(·)，以自然常数e为底的指数函数为e(·)，尺度为κ，微分变量为r，使用高斯分布函数滤除噪声；
22、对滤除噪声后的图像数据进行尺度归一化，表达式为：
23、
24、其中尺度归一化为附加因子为μ，微分算子为ρ，归一化系数为θ，根据尺度和对比度不变构建边缘检测器，边缘检测器的表达式为：
25、
26、其中边缘检测器为，拉普拉斯函数为l(·)，梯度为q，幅度为h，拉普拉斯梯度幅度平方的导数为d(l(qh2))，导数d(l(qh2))的平均值为梯度幅度平方的平均值为，边缘的空间位置为qh2；
27、对通过边缘检测器后的图像进行阈值化处理，阈值化函数的表达式为：
28、
29、其中阈值化函数为f，高斯系数为u，确定阈值为β，通过阈值化处理得到二值图像。
30、进一步的，提取所述生物图像的生物特征的方法，包括：
31、将生物图像映射到非空集合，生物图像表达式为：
32、
33、其中第a个生物图像为qa，像素c第a个生物图像的生成元为像素的数量为e，对生物图像进行预处理，将生物图像从像素形式转化为图像矩阵，对图像矩阵进行对角化转换；
34、将图像矩阵进行奇异值分解，表达式为：
35、
36、其中生物图像的数量为p，转置为t，第a个生物图像的非零特征值为μa，第a个生物图像的右奇异矩阵为wa，第a个生物图像的左奇异矩阵为ba，获取对角线的奇异值；
37、选取生物矩阵和像素矩阵作为训练样本，对图像样本进行训练，随机选取非零奇异值学习样本特征；
38、读取预处理后的图像矩阵，确定图像矩阵的中心点，查找图像矩阵的轮廓；
39、从图像矩阵的轮廓中筛选奇异值大于奇异阈值的轮廓特征作为生物特征。
40、进一步的，对所述目标特征进行目标检测获得生物图像的方法，包括：
41、选取目标特征输入目标定位模块，将目标特征转化为目标特征矩阵，使用区域筛选器对特征进行目标特征矩阵筛选；
42、根据选定区域的特征向量和位置向量生成解码器的目标特征矩阵和目标特征位置矩阵；
43、采用交叉注意力机制更新目标位置信息，将目标特征矩阵与目标特征位置矩阵拼接形成查询矩阵，将特征矩阵和位置矩阵拼接形成键矩阵，根据查询矩阵和键矩阵的相关性调整权重分布，得到学习特征矩阵；
44、根据目标特征矩阵预测目标中心点偏移量和目标宽高比例变化量更新目标位置，表达式为：
45、(δet,δkt)＝p(c(dt,mt-1))
46、δut＝p(dt)
47、(et,kt,ut)＝(et-1+δet,kt+δkt,ut+δut)
48、其中第t层预测目标中心位置的横坐标为et，第t层预测目标中心位置的纵坐标为kt，第t层预测目标中心位置的宽高比例为ut，第t层目标特征矩阵为dt，第t-1层目标特征位置矩阵为mt-1，拼接函数为c(·)，分类函数为p(·)；
49、根据目标预测框和目标真实框之间的重叠度划分正负样本，表达式为：
50、
51、其中第i个样本的类别为第i个样本的重叠度为oui，重叠度阈值分别为θp、正样本集为pt，丢弃样本集为ds，负样本集为ng，根据分别率对正负样本和丢弃样本进行二次划分，划分准则为：
52、
53、其中第m个中间域的样本为um，第i个样本的分辨率为vi，分辨率的阈值为χ1、χ2，丢弃大目标样本，给出目标检测模型的损失函数：
54、
55、其中损失函数为第i个样本预测类别的概率为zi，第i个样本真实类别向量为bi，样本的数量为q，多分类权重为ρ1，边界框权重为ρ2，常亮值为λ，边界框损失值为a，宽高比例因素为γ，目标真实框中心到预测框中心的距离为y，目标真实框和预测框最小闭包矩阵的对角线长度为n，将生物特征预测的细粒度目标位置信息统一放到分辨率最大的特征，预测分类和位置，根据预测分类和位置锁定目标本文档来自技高网
...
【技术保护点】
1.一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，对预处理后的所述图像数据进行边缘检测获得二值图像的方法，包括：
3.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，提取所述生物图像的生物特征的方法，包括：
4.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，对所述目标特征进行目标检测获得生物图像的方法，包括：
5.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，计算所述生物图像和所述特征标准库的匹配程度的公式为：
6.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，根据所述匹配程度构建生物智能检测模型的方法，包括：将生物智能检测模型将匹配程度作为目标函数，筛选匹配程度最高的参考生物作为检测对象。
7.根据权利要求6所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，所述生物智能检测模型采用边缘检测算法采用高斯分布函数对生物图像数据进行滤波，通过对滤波后的生物图像数据边缘检测和阈值处理得到二值图像；将二值图像映射到非空集合，把图像转化为图像矩阵，对图像矩阵进行奇异值分解获得生物特征；采用生物特征的信息增益、信息增益率和相关属性进行特征筛选，获得目标特征；提取生物图像的高层特征和低层特征，将高层特征和低层特征的细节和位置信息融合获得不同尺度的信息，通过编码器获取增强特征，对增强特征进行三支决策划分获得目标图像；对比目标图像和特征标准库的匹程度，采用深度神经网络根据匹配程度获取检测结果。
8.一种电子设备，包括：
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～7之任一所述方法。
...
【技术特征摘要】
1.一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，对预处理后的所述图像数据进行边缘检测获得二值图像的方法，包括：
3.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，提取所述生物图像的生物特征的方法，包括：
4.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，对所述目标特征进行目标检测获得生物图像的方法，包括：
5.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，计算所述生物图像和所述特征标准库的匹配程度的公式为：
6.根据权利要求1所述的一种基于深度神经网络的码头附着生物智能检测方法，其特征在于，根据所述匹配程度构建生物智能检测模型的方法，包括：将生物智能检测模型将匹配程度作为目标函数，筛选匹配程度最高...
【专利技术属性】
技术研发人员：王孝程，王海宁，靳青青，
申请(专利权)人：国家海洋环境监测中心，
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。