[發(fā)明專利]藻類檢測方法、裝置及終端設(shè)備

有效

• 申請?zhí)枺?/td>: 202210822149.2
• 申請日: 2022-07-12
• 公開（公告）號: CN115187982B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計）人: 何翊卿;張思祥;路鳳祎;楊宗杰;李世英;王飛;王立衛(wèi);蘇廣玉;邢超
• 申請（專利權(quán)）人: 河北華清環(huán)境科技集團(tuán)股份有限公司
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/764;G06V10/766;G06V10/82;G06T7/73;G06N3/048;G06N3/0464;G06N3/084
• 代理公司: 河北國維致遠(yuǎn)知識產(chǎn)權(quán)代理有限公司 13137
• 代理人: 秦春芳

1.一種藻類檢測方法，其特征在于，包括：

獲取樣本圖片，對所述樣本圖片中的藻類進(jìn)行標(biāo)注；

對標(biāo)注后的所述樣本圖片進(jìn)行劃分得到數(shù)據(jù)集，對所述數(shù)據(jù)集中的圖像進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集；

根據(jù)藻類檢測要求與藻類特征，構(gòu)建目標(biāo)檢測模型；

對所述目標(biāo)檢測模型參數(shù)進(jìn)行初始化，針對所述目標(biāo)檢測模型，設(shè)置訓(xùn)練流程與超參數(shù)；

通過使用所述預(yù)處理后的數(shù)據(jù)集，對所述目標(biāo)檢測模型進(jìn)行訓(xùn)練，根據(jù)每個訓(xùn)練周期的結(jié)果評估所述目標(biāo)檢測模型，調(diào)整所述訓(xùn)練超參數(shù)，更新所述目標(biāo)檢測模型；

對所述目標(biāo)檢測模型進(jìn)行參數(shù)壓縮，基于參數(shù)壓縮后的目標(biāo)檢測模型進(jìn)行藻類檢測；

所述目標(biāo)檢測模型包括骨干網(wǎng)絡(luò)、脖頸網(wǎng)絡(luò)與頭部網(wǎng)絡(luò)：

其中，所述骨干網(wǎng)絡(luò)用于特征提取，根據(jù)所述數(shù)據(jù)集，得到從低到高三個不同層次的特征圖；

所述脖頸網(wǎng)絡(luò)用于多尺度特征融合，采用特征金字塔網(wǎng)絡(luò)結(jié)合像素聚合網(wǎng)絡(luò)結(jié)構(gòu)，其中所述特征金字塔結(jié)構(gòu)用于自頂向下傳達(dá)強語義特征，所述像素聚合結(jié)構(gòu)用于自底而上傳遞強定位信息；

所述頭部網(wǎng)絡(luò)用于識別及定位，將所述特征圖進(jìn)行解耦，預(yù)測藻類所在的位置及其所屬的類別；

所述骨干網(wǎng)絡(luò)由Focus、帶殘差的CSP模塊、SPP模塊和卷積塊組成；

所述骨干網(wǎng)絡(luò)與脖頸網(wǎng)絡(luò)之間為多尺度特征融合結(jié)構(gòu)，其中所述多尺度特征融合結(jié)構(gòu)為瀑布式空洞空間池化WASP模塊；具體是，將所述骨干網(wǎng)絡(luò)提取的三個特征圖中低層的兩個特征圖輸入到WASP模塊，再傳輸?shù)剿霾鳖i網(wǎng)絡(luò)中。

2.如權(quán)利要求1所述的藻類檢測方法，其特征在于，所述對所述樣本圖片中的藻類進(jìn)行標(biāo)注，包括：

對所述樣本圖片中的所有藻類進(jìn)行分類，得到藻類的分類信息；

通過使用標(biāo)定框，框選出所述藻類的所在區(qū)域，得到所述藻類的標(biāo)定位置信息；

其中，所述分類信息和標(biāo)定位置信息為當(dāng)前所述樣本圖片的標(biāo)簽。

3.如權(quán)利要求2所述的藻類檢測方法，其特征在于，所述對所述樣本圖片進(jìn)行劃分得到數(shù)據(jù)集，包括：

將所述樣本圖片與所述標(biāo)簽對應(yīng)，集合得到所述數(shù)據(jù)集。

4.如權(quán)利要求1所述的藻類檢測方法，其特征在于，所述對所述目標(biāo)檢測模型參數(shù)進(jìn)行初始化，針對所述目標(biāo)檢測模型，設(shè)置訓(xùn)練流程與超參數(shù)，包括：

通過遷移學(xué)習(xí)，將經(jīng)過預(yù)訓(xùn)練的參數(shù)替換所述目標(biāo)檢測模型的部分參數(shù)；

設(shè)置所述超參數(shù)，為所述超參數(shù)賦予初始值；

定義優(yōu)化函數(shù)與損失函數(shù)，設(shè)置所述目標(biāo)檢測模型中用于更新的參數(shù)；

確定錨點的設(shè)置方式與篩選策略。

5.如權(quán)利要求1所述的藻類檢測方法，其特征在于，所述通過使用所述預(yù)處理后的數(shù)據(jù)集，對所述目標(biāo)檢測模型進(jìn)行訓(xùn)練，根據(jù)每個訓(xùn)練周期的結(jié)果評估所述目標(biāo)檢測模型，調(diào)整所述訓(xùn)練超參數(shù)，更新所述目標(biāo)檢測模型，包括：

向所述目標(biāo)檢測模型輸入所述預(yù)處理后的數(shù)據(jù)集，得到所述預(yù)處理后的數(shù)據(jù)集中樣本的預(yù)測結(jié)果，通過計算二元交叉熵?fù)p失和距離交并比損失，得到所述預(yù)測結(jié)果與真實結(jié)果之間的差距，根據(jù)所述差距通過反向傳播算法更新模型參數(shù)；

對所述預(yù)測結(jié)果進(jìn)行評估，通過基于貝葉斯優(yōu)化的自動調(diào)參方法，得到更新后的超參數(shù)。

6.如權(quán)利要求1所述的藻類檢測方法，其特征在于，所述對所述目標(biāo)檢測模型進(jìn)行參數(shù)壓縮，包括：

通過參數(shù)裁剪，將所述目標(biāo)檢測模型內(nèi)部接近于0的權(quán)重置為0；

對相鄰卷積層的權(quán)重進(jìn)行聚類，得到多個類，對于所述多個類中的任一類，使用該類的均值替換該類的權(quán)重；

將所述目標(biāo)檢測模型內(nèi)部參數(shù)精度由32位浮點數(shù)轉(zhuǎn)為16位浮點數(shù)表示。