[发明专利]基于RFBNet算法的生态生物识别方法

说明书

本发明公开了基于RFBNet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采集生物图像；对采集的生物图像进行优化处理，得到优化处理后的生物图像；收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；通过RFBNet算法对处理后的生物图像数据进行目标检测；将生物图像形成的特征与生态特征数据库中的特征数据进行对比识别。本发明RFBNet在inception的基础上加入了dilated卷积层，增大了感受野，增强网络特征提取能力，通过设计的RFB模块，即使在轻量级主干网上也能提取到高判别性特征，有效的提高了生物识别率。

技术领域

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

背景技术

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，有许多水生生物对水中毒物很敏感，也可以通过水生生物毒性实验结果来判断水质污染程度。现有通过对水生生物的图像采集识别来判断生物的种类，现有主流的目标检测器一般两条路子：使用强有力的主干网(如ResNet-101、Inception)提取高判别性的特征，但计算开销大，运行速度慢；使用轻量级的主干网(如MobileNet)，运行速度快，但性能就弱一点。

发明内容

基于背景技术存在的技术问题，本发明提出了基于RFBNet算法的生态生物识别方法。

本发明提出的基于RFBNet算法的生态生物识别方法，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采集生物图像；

S2对采集的生物图像进行优化处理，得到优化处理后的生物图像；

S3收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；

S4通过RFBNet算法对处理后的生物图像数据进行目标检测；

S41通过连接多个分支的conv操作，获得多个尺度的RFs；

S42基于RFs的不同尺度，使用不同的卷积核，设计多分支的conv、pooling；

S43通过虫洞卷积dilated conv来控制感受野的离心率，最后一步reshape操作后，形成生成的特征；

S5将生物图像形成的特征与生态特征数据库中的特征数据进行对比识别。

优选的，所述步骤S42每个分支上使用不同尺度的常规卷积和虫洞卷积，通过常规卷积的不同卷积核尺度来模拟pRFs中的不同感受野，各个分支上通过各自dilated conv所得到的离心率，来模拟pRF的尺度与离心率的比例。

优选的，所述步骤S1具体为：先1×1conv降低feature map通道数，在每个分支上形成bottleneck结构，再接常规n×n conv；并替换5×5conv为两个堆叠的3×3conv，进一步使用1×n+n×1conv替换原始n×n conv。

优选的，所述步骤S4在每个分支中使用bottleneck结构，先使用1x1卷积层减少通道数之后再去做nxn的卷积。

优选的，所述步骤S2对采集的生物图像数据进行优化求精，包括：将生物图像进行拆分，剔除无用数据信息，并将有用数据信息进行归类融合。

优选的，所述步骤S2采集生物图像通过对像进行降维处理，降维处理有效去除冗余信息，提取有用特征。

优选的，所述采集的生物图像数据进去噪处理，得到去噪生物图像。