[發(fā)明專(zhuān)利]一種海洋生物檢測(cè)方法、系統(tǒng)和設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202111421605.4
• 申請(qǐng)日: 2021-11-26
• 公開(kāi)（公告）號(hào): CN113963251A
• 公開(kāi)（公告）日: 2022-01-21
• 發(fā)明（設(shè)計(jì)）人: 李傳濤;趙志剛;霍吉東;李響;武魯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東省計(jì)算中心（國(guó)家超級(jí)計(jì)算濟(jì)南中心）
• 主分類(lèi)號(hào): G06V20/05
• 分類(lèi)號(hào): G06V20/05;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06T3/40;G06T7/11
• 代理公司: 濟(jì)南佰智蔚然知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 37285
• 代理人: 劉靜

1.一種海洋生物檢測(cè)方法，其特征在于，包括：

獲取ImageNet數(shù)據(jù)集、海洋生物細(xì)粒度圖像分類(lèi)數(shù)據(jù)集以及拍攝得到的海洋生物數(shù)據(jù)集；

使用所述ImageNet數(shù)據(jù)集對(duì)預(yù)設(shè)分類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練模型；

使用所述海洋生物細(xì)粒度圖像分類(lèi)數(shù)據(jù)集對(duì)所述預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練得到訓(xùn)練模型；

選取部分所述海洋生物數(shù)據(jù)集進(jìn)行標(biāo)注得到標(biāo)注數(shù)據(jù)集；

使用預(yù)設(shè)算法對(duì)標(biāo)注數(shù)據(jù)集進(jìn)行強(qiáng)化；

使用訓(xùn)練模型結(jié)合多尺度檢測(cè)網(wǎng)絡(luò)和位置注意力機(jī)制基于強(qiáng)化后的標(biāo)注數(shù)據(jù)集進(jìn)行訓(xùn)練，得到海洋生物檢測(cè)模型；

輸入未被標(biāo)注的自拍攝海洋生物數(shù)據(jù)集，輸出檢測(cè)信息。

2.根據(jù)權(quán)利要求1所述的海洋生物檢測(cè)方法，其特征在于，使用訓(xùn)練模型結(jié)合多尺度檢測(cè)網(wǎng)絡(luò)和位置注意力機(jī)制基于強(qiáng)化后的標(biāo)注數(shù)據(jù)集進(jìn)行訓(xùn)練得到海洋生物檢測(cè)模型，包括：在訓(xùn)練模型進(jìn)行檢測(cè)時(shí)增加位置注意力機(jī)制并基于多尺度檢測(cè)網(wǎng)絡(luò)生成至少兩種尺度的圖像。

3.根據(jù)權(quán)利要求2所述的海洋生物檢測(cè)方法，其特征在于，在訓(xùn)練模型進(jìn)行檢測(cè)時(shí)增加位置注意力機(jī)制，包括通過(guò)若干第三卷積層、最大池化層、平均池化層提取捕獲待檢測(cè)圖像任意兩個(gè)位置之間的空間依賴(lài)。

4.根據(jù)權(quán)利要求1所述的海洋生物檢測(cè)方法，其特征在于，通過(guò)若干第三卷積層、最大池化層、平均池化層提取捕獲待檢測(cè)圖像任意兩個(gè)位置之間的空間依賴(lài)，包括：

利用平均池化層和最大池化層對(duì)輸入的多通道特征圖進(jìn)行特征提取，然后將多通道特征圖融合，使用第三卷積層將多通道特征圖變成單通道的特征圖，接著通過(guò)卷積網(wǎng)絡(luò)將單通道特征圖變成多通道特征圖，最后與初始輸入的多通道特征圖進(jìn)行融合，實(shí)現(xiàn)提取圖像任意兩個(gè)位置的空間依賴(lài)。

5.根據(jù)權(quán)利要求1所述的海洋生物檢測(cè)方法，其特征在于，選取部分所述海洋生物數(shù)據(jù)集進(jìn)行標(biāo)注得到標(biāo)注數(shù)據(jù)集，包括：使用ImgLabel標(biāo)注工具進(jìn)行標(biāo)注，標(biāo)注過(guò)程中標(biāo)記海洋生物的類(lèi)別信息，同時(shí)需要使用標(biāo)簽框?qū)Ｑ笊锏奈恢眠M(jìn)行標(biāo)注。

6.根據(jù)權(quán)利要求5所述的海洋生物檢測(cè)方法，其特征在于，使用預(yù)設(shè)算法對(duì)標(biāo)注數(shù)據(jù)集進(jìn)行強(qiáng)化，包括：首先，從標(biāo)注數(shù)據(jù)集中取出以batch_size為單位的批量圖像，然后，從batch_size中隨機(jī)取出多張圖像，最后，對(duì)多張圖像按照預(yù)設(shè)規(guī)則進(jìn)行任意的裁剪，將裁剪后的圖像進(jìn)行拼接，融合成一張圖像，優(yōu)選的，若進(jìn)行裁剪時(shí)，裁剪了圖像的標(biāo)簽框區(qū)域，則將其舍棄。

7.根據(jù)權(quán)利要求6所述的海洋生物檢測(cè)方法，其特征在于，使用所述ImageNet數(shù)據(jù)集對(duì)預(yù)設(shè)模型進(jìn)行訓(xùn)練時(shí)，每經(jīng)過(guò)10個(gè)batch_size，改變輸入圖像的尺寸。

8.一種海洋生物檢測(cè)系統(tǒng)，其特征在于，包括：

信息采集模塊，配置用于獲取ImageNet數(shù)據(jù)集、海洋生物細(xì)粒度圖像分類(lèi)數(shù)據(jù)集以及拍攝得到的海洋生物數(shù)據(jù)集；

預(yù)訓(xùn)練模塊，配置用于使用所述ImageNet數(shù)據(jù)集對(duì)預(yù)設(shè)分類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練模型；

訓(xùn)練模塊，配置用于使用所述海洋生物精細(xì)度數(shù)據(jù)集對(duì)所述預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練得到訓(xùn)練模型；

數(shù)據(jù)標(biāo)注模塊，配置用于選取部分所述海洋生物數(shù)據(jù)集進(jìn)行標(biāo)注得到標(biāo)注數(shù)據(jù)集；

強(qiáng)化模塊，配置用于使用預(yù)設(shè)算法對(duì)標(biāo)注數(shù)據(jù)集進(jìn)行強(qiáng)化；

檢測(cè)模塊，配置用于使用訓(xùn)練模型結(jié)合多尺度檢測(cè)網(wǎng)絡(luò)和位置注意力機(jī)制基于增強(qiáng)后的標(biāo)注數(shù)據(jù)集進(jìn)行訓(xùn)練，得到海洋生物檢測(cè)模型，以供輸入未被標(biāo)注的海洋生物數(shù)據(jù)集，輸出檢測(cè)信息。

9.根據(jù)權(quán)利要求8所述的海洋生物檢測(cè)系統(tǒng)，其特征在于，所述分類(lèi)網(wǎng)絡(luò)為DarkNet53網(wǎng)絡(luò)，包括若干第一卷積層、第一BN層、第一激活層、殘差模塊及歸一化指數(shù)函數(shù)；

和/或

所述多尺度檢測(cè)網(wǎng)絡(luò)包括若干第二卷積層、第二BN層、第二激活層，配置用于生成至少兩種尺度的圖像。

和/或

所述位置注意力機(jī)制包括若干第三卷積層、最大池化層、平均池化層，配置用于提取捕獲待檢測(cè)圖像任意兩個(gè)位置之間的空間依賴(lài)。

10.一種設(shè)備，包括：一個(gè)或多個(gè)處理器；

存儲(chǔ)器，用于存儲(chǔ)一個(gè)或多個(gè)程序，

當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，使得所述一個(gè)或多個(gè)處理器執(zhí)行如權(quán)利要求1-7任一所述的方法。