[发明专利]水下底栖生物检测方法及系统

权利要求书

1.一种水下底栖生物检测方法，其特征在于，所述水下底栖生物检测方法包括：

获取多幅水下底栖生物图像及对应的特征信息；

根据各水下底栖生物图像及对应的特征信息，建立底栖生物检测模型，具体包括：

针对每一水下底栖生物图像，从所述水下底栖生物图像中提取多维度的特征图；

基于特征金字塔网络，将多维度的特征图进行特征融合，得到降维后的融合特征图；

根据所述降维后的融合特征图，生成锚框；具体包括：

根据所述降维后的融合特征图，通过第一卷积分支、第二卷积分支分别预测锚框的形状和位置；

对两个形状及两个位置进行解码，得到所述降维后的融合特征图对应的锚框；

通过所述锚框对所述降维后的融合特征图进行调整，得到调整后的融合特征图；

基于各调整后的融合特征图及对应的锚框，训练RPN网络，得到训练后的RPN网络；

基于训练后的RPN网络及各锚框，确定感兴趣区域；

根据各感兴趣区域及对应的特征信息，生成底栖生物检测模型；

基于所述底栖生物检测模型，根据待测底栖生物图像，确定所述待测底栖生物的待测特征信息。

2.根据权利要求1所述的水下底栖生物检测方法，其特征在于，根据以下公式，确定特征图：

；

其中，是第k个采样位置的调制因子，表示归一化处理后的图像，表示经过调制可变形卷积模块计算后的特征图，表示可学习的权重，p表示采样位置，表示对于第k个采样位置预先设定的偏移量，表示可学习的偏移量，k表示采样位置的序号，K表示一个卷积核具有的采样位置的数量。

3.根据权利要求1所述的水下底栖生物检测方法，其特征在于，所述第一卷积分支的损失函数为Focal Loss；所述第二卷积分支的损失函数为BoundedIOU Loss。

4.根据权利要求1所述的水下底栖生物检测方法，其特征在于，所述基于各调整后的融合特征图及对应的锚框，训练RPN网络，得到训练后的RPN网络，具体包括：

基于各调整后的融合特征图及对应的锚框，确定两个边框的交集与并集的比IOU；

根据所述IOU的大小，对对应的锚框分类为正样本锚框或负样本锚框；

根据所述正样本锚框和负样本锚框，分别训练RPN网络，得到训练后的RPN网络。

5.根据权利要求1所述的水下底栖生物检测方法，其特征在于，基于所述底栖生物检测模型，根据待测底栖生物图像，确定所述待测底栖生物的待测特征信息，具体包括：

提取所述待测底栖生物图像的多维度的待测特征图；

基于所述底栖生物检测模型，从多维度的待测特征图中确定感兴趣区域；

根据感兴趣区域的面积，将各感兴趣区域分配到对应的待测特征图上，确定对应的坐标区域；

针对每一坐标区域，从所述坐标区域内均匀的取多个参照点；

针对每一参照点，从所述待测特征图中确定距离所述参照点最近的四个参考点；

采用双线性插值方法，根据四个参考点及所述参照点，计算所述参照点的输出值；

对各参照点的输出值取平均，得到所述坐标区域的输出信息，所述坐标区域的输出信息为待测底栖生物的一个待测特征信息。

6.根据权利要求5所述的水下底栖生物检测方法，其特征在于，所述水下底栖生物检测方法还包括：

将各待测特征信息连接到全连接网络；

计算各感兴趣区域对应的IOU值；

根据IOU值的大小，对对应的感兴趣区域分类为正样本区域或负样本区域；

根据所述正样本区域和负样本区域，确定所述底栖生物检测模型的损失函数；

根据所述底栖生物检测模型的损失函数修正所述底栖生物检测模型。