【技术实现步骤摘要】
本申请涉及图像识别计数，特别涉及一种水生生物图像识别计数方法、装置、设备及介质。
技术介绍
1、沼蛤在自然环境中通常呈现部分聚集型分布，且单个幼虫在显微镜图像中所占比例极小，这对其自动化识别和计数提出了巨大挑战。传统的目标检测算法在处理这些密集分布的小目标时，面临以下几个主要问题：
2、特征信息丢失：在卷积神经网络中，池化层的作用是减少数据维度和计算量，但这同时也会导致小目标的特征信息逐层减弱。特别是在图像中占比极小的幼虫，经过多层池化操作后，其特征信息可能被严重损失，导致检测精度下降。
3、密集分布物体的检测：当前许多目标检测算法在处理密集分布的物体时表现不佳。这些算法通常依赖于单个目标的明显特征，而在沼蛤幼虫密集分布的情况下，目标之间的距离较近，相互遮挡严重，使得检测算法难以区分和识别每一个单独的目标，导致综合漏检率极高。
4、漏检问题：由于以上两个原因，传统的目标检测算法在处理密集分布的小目标时，往往会出现较高的漏检率。漏检不仅影响了识别的准确性，也对后续的数量统计和数据分析带来了极大不便。
技术实现思路
1、本申请提供一种水生生物图像识别计数方法、装置、设备及介质，以解决相关技术特征信息丢失、对密集分布物体的检测不佳，漏检率高等问题。
2、本申请第一方面提供一种水生生物图像识别计数方法，包括以下步骤：获取用户输入的水生生物图像，对水生生物图像进行预处理；将预处理后的水生生物图像输入基于深度学习的目标检测模型，目标检测模型输出水
3、可选地，特征提取网络提取水生生物图像中不同层级的特征图，在特征提取过程中，采用多尺度特征融合技术将不同层级的特征图进行融合；卷积神经网络采用自适应池化和空间金字塔池化技术，对融合特征图进行池化操作，在单次前向传播中完成类别和位置的预测；密集检测头识别池化操作后特征图的多个目标水生生物，并通过改进非极大值抑制策略区分多个目标水生生物中的相邻目标水生生物。
4、可选地，在将预处理后的水生生物图像输入基于深度学习的目标检测模型之前，还包括：获取训练集，训练集包括多张标注有目标水生生物的水生生物图像；通过数据增强技术处理扩充训练集，利用扩充后的训练集训练目标检测模型，在训练过程中优化损失函数和调整超参数。
5、可选地，数据增强技术包括多张标注有目标水生生物的水生生物图像进行旋转、缩放和平移的至少一种操作。
6、可选地，获取用户输入的水生生物图像，包括：使用pyqt框架开发的图形用户界面接收用户输入的水生生物图像。
7、可选地，图形用户界面还用于展示目标水生生物的数量和目标水生生物在水生生物图像中的位置。
8、可选地，预处理的方式包括图像尺寸调整、颜色空间转换和噪声去除的至少一种。
9、本申请第二方面提供一种水生生物图像识别计数装置，包括：获取模块，用于获取用户输入的水生生物图像，对水生生物图像进行预处理；输入模块，用于将预处理后的水生生物图像输入基于深度学习的目标检测模型，目标检测模型输出水生生物图像中目标水生生物的检测结果，其中，目标检测模型包括引入多尺度特征融合技术的特征提取网络、采用自适应池化和空间金字塔池化技术的卷积神经网络、以及密集分布目标检测的密集检测头；处理模块，用于对目标水生生物的检测结果进行后处理，根据后处理的检测结果识别目标水生生物的数量和目标水生生物在水生生物图像中的位置。
10、本申请第三方面提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现如上述实施例的水生生物图像识别计数方法。
11、本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例的水生生物图像识别计数方法。
12、由此，本申请包括如下有益效果：
13、本申请实施例通过获取用户输入的水生生物图像，并对水生生物图像进行预处理，将预处理后的水生生物图像输入基于深度学习的目标检测模型，模型输出水生生物图像中目标水生生物的检测结果，对目标水生生物的检测结果进行后处理，根据后处理的检测结果识别目标水生生物的数量和目标水生生物在水生生物图像中的位置，能够实现对图像中沼蛤幼虫数量及生长特征的快速统计和精确定位，减少了漏检和误检。由此，解决了相关技术特征信息丢失、对密集分布物体的检测不佳，漏检率高等问题。
14、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种水生生物图像识别计数方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水生生物图像识别计数方法，其特征在于，所述特征提取网络提取所述水生生物图像中不同层级的特征图，在特征提取过程中，采用多尺度特征融合技术将不同层级的特征图进行融合；所述卷积神经网络采用自适应池化和空间金字塔池化技术，对融合特征图进行池化操作，在单次前向传播中完成类别和位置的预测；密集检测头识别池化操作后特征图的多个目标水生生物，并通过改进非极大值抑制策略区分所述多个目标水生生物中的相邻目标水生生物。
3.根据权利要求1或2所述的水生生物图像识别计数方法，其特征在于，在将预处理后的水生生物图像输入基于深度学习的目标检测模型之前，还包括：
4.根据权利要求3所述的水生生物图像识别计数方法，其特征在于，所述数据增强技术包括多张标注有目标水生生物的水生生物图像进行旋转、缩放和平移的至少一种操作。
5.根据权利要求1所述的水生生物图像识别计数方法，其特征在于，所述获取用户输入的水生生物图像，包括：
6.根据权利要求5所述的水生生物图像识别计数方法，
7.根据权利要求1所述的水生生物图像识别计数方法，其特征在于，预处理的方式包括图像尺寸调整、颜色空间转换和噪声去除的至少一种。
8.一种水生生物图像识别计数装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现权利要求1-7任一项所述的水生生物图像识别计数方法。
10.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-7任一项所述的水生生物图像识别计数方法。
...【技术特征摘要】
1.一种水生生物图像识别计数方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水生生物图像识别计数方法，其特征在于，所述特征提取网络提取所述水生生物图像中不同层级的特征图，在特征提取过程中，采用多尺度特征融合技术将不同层级的特征图进行融合；所述卷积神经网络采用自适应池化和空间金字塔池化技术，对融合特征图进行池化操作，在单次前向传播中完成类别和位置的预测；密集检测头识别池化操作后特征图的多个目标水生生物，并通过改进非极大值抑制策略区分所述多个目标水生生物中的相邻目标水生生物。
3.根据权利要求1或2所述的水生生物图像识别计数方法，其特征在于，在将预处理后的水生生物图像输入基于深度学习的目标检测模型之前，还包括：
4.根据权利要求3所述的水生生物图像识别计数方法，其特征在于，所述数据增强技术包括多张标注有目标水生生物的水生生物图像进行旋转、缩放和平移的至少一种操作。
5.根...
【专利技术属性】
技术研发人员：徐梦珍，邢轩玮，刘凯，郭芳，肖新宗，王聪聪，薛源，
申请(专利权)人：清华大学，
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。