[發明專利]一種基于深度神經網絡的海洋生物識別系統及識別方法

在審

• 申請號: 202011082654.5
• 申請日: 2020-10-12
• 公開（公告）號: CN112149612A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 王力劭;程小葛;劉詩煒;劉喬瑋;郝日明
• 申請（專利權）人: 海略（連云港）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 南京鑫之航知識產權代理事務所(特殊普通合伙) 32410
• 代理人: 姚蘭蘭

本發明提供一種基于深度神經網絡的海洋生物識別系統，包括：預處理模塊，采集海洋生物的原始圖像中包含目標對象的原始圖像候選區域，輸入深度神經網絡DNN；深度神經網絡DNN；圖像合成模塊，將物種分類、物種邊界框及掩膜信息與預處理的海洋生物圖像進行合成處理，得到海洋生物實體分割圖像。通過采集原始圖像信息進行標記，然后再深度神經網絡DNN中進行推算處理，進而對海洋生物進行識別、分割與追蹤，并最終與原始圖像合并形成一個可視化的圖片信息。另外，本發明還提供了基于該識別系統的識別方法，該方法有效解決了現有技術中對海低物種無法進行精準的識別、分割與追蹤的技術難題。

技術領域

本發明涉及一種海洋生物識別系統及識別方法，尤其涉及一種基于深度神經網絡的海洋生物識別系統及識別方法。

背景技術

神經網絡是一種采用分布式并對信息進行處理的算法數學模型，通常用于人工智能識別。深度學習神經網絡一般采用樣本數據進行深度學習。傳統技術中心，通常是采用樣本數據輸入固定層數的深度學習神經網絡進行無監督學習、并采用帶有標簽的樣本數據輸入固定層數的深度學習進行有監督學習得到輸出標簽，以完成對深度學習神經網絡的訓練，并在訓練后采用測試數據測試通過。隨著計算機視覺的發展，深度神經網絡在各個領域的應用也越來越廣泛，尤其是作為一種效果突出的深度學習方法，成為了圖像識別的主流方法之一。

目前，在海洋生物識別上，有的海洋生物識別系統無法對較小的水下物種進行精確的識別，分割與追蹤，無法展現水下物種的生態細節，無法對海洋雪中浮游生物，海洋生物幼體以及其他參雜在海洋雪里的有機物進行分析，給海洋勘測、災難預警，環境保護和促進海岸線地區的開發造成了困難。

發明內容

本發明為了解決現有技術中存在的上述缺陷和不足，提供了一種基于深度神經網絡的海洋生物識別系統及識別方法。

為解決上述技術問題，本發明提供一種基于深度神經網絡的海洋生物識別系統，包括：

預處理模塊，采集海洋生物的原始圖像中包含目標對象的原始圖像候選區域，輸入深度神經網絡DNN；

深度神經網絡DNN包括核心神經網絡模塊、候選分類區域模塊、語義分割模塊和分類模塊，所述核心神經網絡模塊接收到預處理模塊發送的預處理圖像后，經處理獲得卷積特征圖像，然后由候選分類區域模塊對卷積特征圖像進行計算得到目標對象存在的概率和目標對象的坐標；分類模塊接收目標對象概率、目標對象坐標及卷積特征圖像信息后，經過處理獲得帶有物種識別的物種分類及物種邊界框；語義分割模塊對每個邊界框內的物種進行像素級別的語義分割生成掩膜；

圖像合成模塊，將物種分類、物種邊界框及掩膜信息與預處理的海洋生物圖像進行合成處理，得到海洋生物實體分割圖像。

進一步，所述核心神經網絡模塊包括若干個神經網絡層塊，所述神經網絡層塊包括一組按順序連接的卷積層、一組ReLU層和一組標準化層。

進一步，不同的神經網絡層塊的卷積層、ReLU層和標準化層的分別結構相同、神經元權重不同。

進一步，所述候選分類區域模塊包括并聯的若干個卷積神經網絡塊一。

進一步，所述語義分割模塊包括若干個串聯的卷積神經網絡塊二。

進一步，所述分類模塊包括串聯的若干個卷積神經網絡塊三以及并聯后與卷積神經網絡塊三串聯的softmax層和回歸層。

另外，本發明還提供了基于深度神經網絡的海洋生物識別方法，包括以下步驟：

S1圖像預處理：采集海洋生物的原始圖像中包含目標對象的原始圖像候選區域，得到預處理的海洋生物圖像，然后將預處理的海洋生物圖像輸入深度神經網絡DNN中；

S2生成卷積特征圖像：深度神經網絡DNN根據卷積核尺寸和步長計算生成卷積特征圖像；