[發(fā)明專利]基于AmoebaNet+NAS-FPN算法的生態(tài)生物識別方法

在審

• 申請?zhí)枺?/td>: 202210656683.0
• 申請日: 2022-06-10
• 公開（公告）號: CN114863467A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 楊志峰;沈永明;張遠;蔡宴朋
• 申請（專利權(quán)）人: 瀾途集思生態(tài)科技集團有限公司
• 主分類號: G06V40/00
• 分類號: G06V40/00;G06V10/82;G06V10/80;G06V10/764;G06N3/08
• 代理公司: 北京市京師律師事務(wù)所 11665
• 代理人: 黃熊

本發(fā)明公開了基于AmoebaNet+NAS?FPN算法的生態(tài)生物識別方法，包括如下步驟：收集生態(tài)生物特征，將收集的生態(tài)特征進行分類，并建立生態(tài)特征數(shù)據(jù)庫；發(fā)起生態(tài)生物識別請求，根據(jù)請求在生態(tài)環(huán)境中采集生物圖像數(shù)據(jù)；對采集的生物圖像數(shù)據(jù)進行除雜處理，得到處理后的生物圖像數(shù)據(jù)；通過AmoebaNet+NAS?FPN算法對處理后的生物圖像進行目標檢測；從新的輸出特征層中選取生物特征，并與生態(tài)特征數(shù)據(jù)庫中的特征數(shù)據(jù)進行對比識別。本發(fā)明解決了網(wǎng)絡(luò)架構(gòu)參數(shù)無法通過驗證集精度的梯度傳播來更新的問題，能夠優(yōu)化目標函數(shù)，同時，能夠?qū)μ崛〉奶卣鲌D進行組合和更新，以獲得更好的檢測精度，提高生物識別率。

技術(shù)領(lǐng)域

本發(fā)明涉及生物識別技術(shù)領(lǐng)域，尤其涉及基于AmoebaNet+

NAS-FPN算法的生態(tài)生物識別方法。

背景技術(shù)

水生生物群落與水環(huán)境有著錯綜復雜的相互關(guān)系，對水質(zhì)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(yīng)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(zhì)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(diào)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(jié)果來判斷水質(zhì)污染程度。現(xiàn)有通過對水生生物的圖像采集識別來判斷生物的種類，現(xiàn)有生物識別的精度不高，識別效果不佳。

發(fā)明內(nèi)容

基于背景技術(shù)存在的技術(shù)問題，本發(fā)明提出了基于AmoebaNet+NAS-FPN算法的生態(tài)生物識別方法。

本發(fā)明提出的基于AmoebaNet+NAS-FPN算法的生態(tài)生物識別方法，包括如下步驟：

S1收集生態(tài)生物特征，將收集的生態(tài)特征進行分類，并建立生態(tài)特征數(shù)據(jù)庫；

S2發(fā)起生態(tài)生物識別請求，根據(jù)請求在生態(tài)環(huán)境中采集生物圖像數(shù)據(jù)；

S3對采集的生物圖像數(shù)據(jù)進行除雜處理，得到處理后的生物圖像數(shù)據(jù)；

S4通過AmoebaNet+NAS-FPN算法對處理后的生物圖像進行目標檢測；

S41隨機初始化P個種群，即P個子網(wǎng)絡(luò)，訓練和驗證這P個子網(wǎng)絡(luò)獲得它們的精度，將P個個體加入歷史群體中；

S42如果歷史群體數(shù)量少于C個，則進入循環(huán)，從種群中隨機選取S個樣本，從S個中挑出最高精度的樣本作為父個體，對父個體進行變異操作生成子個體，對子個體重新訓練和驗證，得到子個體的精度；

S43將子個體加入到種群和歷史群體中，從群體中淘汰掉最老的個體；

S44如果歷史群體大于C個，則跳出循環(huán)，返回歷史群體中最高精度的個體作為最終的搜索結(jié)果，否則，跳到步驟S42中進入下一個循環(huán)；

S45選取生物圖像，通過子網(wǎng)絡(luò)對生物圖像進行特征提取，獲取多個候選特征層；

S46從候選特征層中選取2個作為輸入特征層，選擇輸出特征的分辨率；

S47選擇一個Binary操作將兩個輸入特征層整成新的輸出特征，加入候選特征層中；

S5從新的輸出特征層中選取生物特征，并與生態(tài)特征數(shù)據(jù)庫中的特征數(shù)據(jù)進行對比識別。

優(yōu)選的，所述步驟S46為5個候選特征層是5個scale的特征圖。

優(yōu)選的，所述步驟S47中Binary操作有兩種選擇，一種是直接求和；還有一種是把第一個特征層進行max池化和sigmoid后按像素點乘以第二個特征層，再加上第一個特征層。

優(yōu)選的，所述步驟S46選取的兩個輸入特征層先不一樣，則先池化到步驟S46中選擇的輸出分辨率，再進行Binary操作。