[发明专利]一种基于改进SSD算法的海洋生物识别方法及系统

说明书

本发明提供了一种基于改进SSD算法的海洋生物识别方法及系统。其中，该方法包括：获取用于海洋生物识别的训练样本集和测试样本集，并转化为深度学习框架可以直接读取的格式；对训练样本集的图片进行预处理；提取训练样本特征金字塔中的Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2，并输入至海洋生物识别算法模型进行预测，得到训练好的海洋生物识别算法模型；将测试样本集输入至训练好的海洋生物识别算法模型，输出生物识别结果。

技术领域

本发明属于计算机视觉和图像处理技术领域，具体涉及一种基于改进SSD算法的海洋生物识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于不同波长的光在水中的衰减率差异，会出现严重的失真问题，图片区分度低。同时水下环境复杂，海洋生物往往隐藏在环境中,拍摄出的目标与背景区分度低，传统方法难以有效识别。随着卷积神经网络的发展，目标检测在图像分类、目标检测、图像分割等方面得到了广泛的应用。

当前主要有两种目标检测算法，一种是以Faster Rcnn为代表的two stage算法，这种算法精度较高，但需要一个子网络对目标框进行初步分类和回归，然后进行细粒度的分类和回归。Two stage算法计算量过大，速度慢，不满足海洋生物检测对实时性的要求。另一类是以SSD和YOLO网络为代表的one stage算法。One stage算法虽然速度快、精度较低。SSD算法兼顾速度和精度的优点，是当前应用最广泛的目标检测网络之一。但由于水下目标区分度低、目标过小，原始SSD算法对水下目标识别精度不够准确，同时海洋目标较小，原始SSD算法对小目标的检测效果差、准确率低。

发明内容

本发明为了解决上述问题，提出了一种基于改进SSD算法的海洋生物识别方法及系统，在SSD算法中采用上下双向流特征融合的方式增加浅层特征层的语义信息，增加深层特征层的细节信息，提高SSD算法的准确率。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于改进SSD算法的海洋生物识别方法。

一种基于改进SSD算法的海洋生物识别方法，包括：

获取用于海洋生物识别的训练样本集和测试样本集，并转化为深度学习框架可以直接读取的格式；

对训练样本集的图片进行预处理；

提取训练样本特征金字塔中的Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2，并输入至海洋生物识别算法模型进行预测，得到训练好的海洋生物识别算法模型；

将测试样本集输入至训练好的海洋生物识别算法模型，输出生物识别结果。

本发明的第二个方面提供一种基于改进SSD算法的海洋生物识别系统。

一种基于改进SSD算法的海洋生物识别系统，包括：

样本获取模块，其被配置为：获取用于海洋生物识别的训练样本集和测试样本集，并转化为深度学习框架可以直接读取的格式；

预处理模块，其被配置为：对训练样本集的图片进行预处理；

模型训练模块，其被配置为：提取训练样本特征金字塔中的Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2，并输入至海洋生物识别算法模型进行预测，得到训练好的海洋生物识别算法模型；

输出模块，其被配置为：将测试样本集输入至训练好的海洋生物识别算法模型，输出生物识别结果。

本发明的第三个方面提供一种计算机可读存储介质。