基于ScratchDet算法的生态生物识别方法与流程

基于scratchdet算法的生态生物识别方法
技术领域
1.本发明涉及生物识别技术领域，尤其涉及基于scratchdet算法的生态生物识别方法。


背景技术：

2.水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况。然而，现有的水生生物图像识别时，特征识别时容易出现偏差，识别率较低。


技术实现要素：

3.基于背景技术存在的技术问题，本发明提出了基于scratchdet算法的生态生物识别方法。
4.本发明提出的基于scratchdet算法的生态生物识别方法，包括如下步骤：
5.s1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；
6.s2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；
7.s3获取处理后待识别的生物图像，并将待识别的生物图像输入到scratchdet目标检测网络中进行目标检测；
8.s4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；
9.s5通过scratchdet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；
10.s6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；
11.s7选取待识别的生物图像特征，并与生态特征数据库中的特征数据进行对比识别。
12.优选的，所述步骤s1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。
13.优选的，所述生物图像采用混合滤波方法对原始图片做降噪处理。
14.优选的，所述步骤s4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
15.优选的，所述步骤s5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。
16.优选的，所述步骤s1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
17.优选的，所述步骤s6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。
18.优选的，所述步骤s7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。
19.本发明中，所述基于scratchdet算法的生态生物识别方法，基于scratch训练的single-shot目标检测网络-scratchdet，该网络结合了bn操作有利于网络的收敛，此方法适用于任意类型的网络结构，引入了新的backbone root-resnet，提高了小目标的检测效果，提高了生物识别率。
附图说明
20.图1为本发明提出的基于scratchdet算法的生态生物识别方法的流程图。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
22.参照图1，基于scratchdet算法的生态生物识别方法，包括如下步骤：
23.s1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；
24.s2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；
25.s3获取处理后待识别的生物图像，并将待识别的生物图像输入到scratchdet目标检测网络中进行目标检测；
26.s4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；
27.s5通过scratchdet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；
28.s6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；
29.s7选取待识别的生物图像特征，并与生态特征数据库中的特征数据进行对比识别。
30.本发明中，步骤s1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。
31.本发明中，生物图像采用混合滤波方法对原始图片做降噪处理。
32.本发明中，步骤s4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。
33.本发明中，步骤s5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。
34.本发明中，步骤s1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。
35.本发明中，步骤s6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。
36.本发明中，步骤s7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。
37.本发明：发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；获取处理后待识别的生物图像，并将待识别的生物图像输入到scratchdet目标检测网络中进行目标检测；将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；通过scratchdet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；选取待识别的生物图像特征，并与生态特征数据库中的特征数据进行对比识别。
38.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.基于scratchdet算法的生态生物识别方法，其特征在于，包括如下步骤：s1发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；s2对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；s3获取处理后待识别的生物图像，并将待识别的生物图像输入到scratchdet目标检测网络中进行目标检测；s4将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息；s5通过scratchdet算法对采集的生物图像中的多个局部区域进行特征提取，以获取生物图像的图像特征；s6收集生态生物特征样本，将收集的生物特征进行分类，并建立生态特征数据库；s7选取待识别的生物图像特征，并与生态特征数据库中的特征数据进行对比识别。2.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s1采集的生物图像后，对图像进行大小调整和裁剪，以消除图像背景效应，对图像进行灰度处理，从而降低噪声和照明。3.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述生物图像采用混合滤波方法对原始图片做降噪处理。4.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s4特征提取将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应一个局部区域。5.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s5对获取的图像特征进行分类，得到多个局部特征，将每个局部特征和所有局部特征的融合特征。6.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s1对采集生物图像数据进行加密处理，并将加密处理后的生物图像数据放入存储器中进行存储。7.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s6收集生态生物特征样本后，对生态生物特征样本进行除杂，剔除无用生物特征样本。8.根据权利要求1所述的基于scratchdet算法的生态生物识别方法，其特征在于，所述步骤s7将识别成功结果进行发送，并将生物图像数据特征存储至生态特征数据库中。

技术总结
本发明公开了基于ScratchDet算法的生态生物识别方法，包括如下步骤：发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像，并将采集的生物图像进行存储；对采集的生物图像数据进行过滤处理，得到处理后的生物图像数据；获取处理后待识别的生物图像，并将待识别的生物图像输入到ScratchDet目标检测网络中进行目标检测；将获取的生物图像划分为多个局部区域并分类，以输出分类结果和表征信息。本发明基于scratch训练的single-shot目标检测网络-ScratchDet，该网络结合了BN操作有利于网络的收敛，此方法适用于任意类型的网络结构，引入了新的backbone Root-ResNet，提高了小目标的检测效果，提高了生物识别率。提高了生物识别率。提高了生物识别率。


技术研发人员：杨志峰 沈永明 张远 蔡宴朋
受保护的技术使用者：澜途集思生态科技集团有限公司
技术研发日：2022.05.27
技术公布日：2022/8/2