[發明專利]基于RFBNet算法的生態生物識別方法

在審

• 申請號: 202210555087.3
• 申請日: 2022-05-19
• 公開（公告）號: CN115147707A
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 楊志峰;沈永明;張遠;蔡宴朋
• 申請（專利權）人: 瀾途集思生態科技集團有限公司
• 主分類號: G06V20/05
• 分類號: G06V20/05;G06V10/82;G06V10/764;G06V10/30;G06N3/08;G06N3/04;G06F16/583
• 代理公司: 北京市京師律師事務所 11665
• 代理人: 黃熊

本發明公開了基于RFBNet算法的生態生物識別方法，包括如下步驟：發起生態生物識別請求，根據請求在生態環境中采集生物圖像；對采集的生物圖像進行優化處理，得到優化處理后的生物圖像；收集生態生物特征，將收集的生態特征進行分類，并建立生態特征數據庫；通過RFBNet算法對處理后的生物圖像數據進行目標檢測；將生物圖像形成的特征與生態特征數據庫中的特征數據進行對比識別。本發明RFBNet在inception的基礎上加入了dilated卷積層，增大了感受野，增強網絡特征提取能力，通過設計的RFB模塊，即使在輕量級主干網上也能提取到高判別性特征，有效的提高了生物識別率。

技術領域

本發明涉及生物識別技術領域，尤其涉及基于RFBNet算法的生態生物識別方法。

背景技術

水生生物群落與水環境有著錯綜復雜的相互關系，對水質變化起著重要作用。不同種類的水生生物對水體污染的適應能力不同，有的種類只適于在清潔水中生活，被稱為清水生物(或寡污生物)。而有些水生生物則可以生活在污水中，被稱為污水生物。水生生物的存亡標志著水質變化程度，因此生物成為水體污化的指標，通過水生生物的調查，可以評價水體被污染的狀況，有許多水生生物對水中毒物很敏感，也可以通過水生生物毒性實驗結果來判斷水質污染程度。現有通過對水生生物的圖像采集識別來判斷生物的種類，現有主流的目標檢測器一般兩條路子：使用強有力的主干網(如ResNet-101、Inception)提取高判別性的特征，但計算開銷大，運行速度慢；使用輕量級的主干網(如MobileNet)，運行速度快，但性能就弱一點。

發明內容

基于背景技術存在的技術問題，本發明提出了基于RFBNet算法的生態生物識別方法。

本發明提出的基于RFBNet算法的生態生物識別方法，包括如下步驟：

S1發起生態生物識別請求，根據請求在生態環境中采集生物圖像；

S2對采集的生物圖像進行優化處理，得到優化處理后的生物圖像；

S3收集生態生物特征，將收集的生態特征進行分類，并建立生態特征數據庫；

S4通過RFBNet算法對處理后的生物圖像數據進行目標檢測；

S41通過連接多個分支的conv操作，獲得多個尺度的RFs；

S42基于RFs的不同尺度，使用不同的卷積核，設計多分支的conv、pooling；

S43通過蟲洞卷積dilated conv來控制感受野的離心率，最后一步reshape操作后，形成生成的特征；

S5將生物圖像形成的特征與生態特征數據庫中的特征數據進行對比識別。

優選的，所述步驟S42每個分支上使用不同尺度的常規卷積和蟲洞卷積，通過常規卷積的不同卷積核尺度來模擬pRFs中的不同感受野，各個分支上通過各自dilated conv所得到的離心率，來模擬pRF的尺度與離心率的比例。

優選的，所述步驟S1具體為：先1×1conv降低feature map通道數，在每個分支上形成bottleneck結構，再接常規n×n conv；并替換5×5conv為兩個堆疊的3×3conv，進一步使用1×n+n×1conv替換原始n×n conv。

優選的，所述步驟S4在每個分支中使用bottleneck結構，先使用1x1卷積層減少通道數之后再去做nxn的卷積。

優選的，所述步驟S2對采集的生物圖像數據進行優化求精，包括：將生物圖像進行拆分，剔除無用數據信息，并將有用數據信息進行歸類融合。

優選的，所述步驟S2采集生物圖像通過對像進行降維處理，降維處理有效去除冗余信息，提取有用特征。

優選的，所述采集的生物圖像數據進去噪處理，得到去噪生物圖像。