[发明专利]基于SpineNet算法的生态生物识别方法

说明书

本发明公开了基于SpineNet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多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图。本发明通过设置SpineNet算法，能够有效的减小算力的需求，且有效的提高了目标检测的精确度，能够用更少的计算和近似相同数量的参数，可以获得更高的精度。

技术领域

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

背景技术

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，特征不明显，计算量较大，且精确度不高。

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SpineNet算法的生态生物识别方法。

本发明提出的基于SpineNet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多个生物图像；

S2对采集的生物图像数据进行处理，得到处理后的生物图像；

S3通过SpineNet网络模型对待识别生物图像进行特征提取处理，获取待识别生物图像的生物特征；

S4通过SPP层对生物特征进行池化处理，获取固定尺寸的生物特征；

S5对固定尺寸的生物特征进行特征尺度扩展处理，获取多种尺度的车辆特征；

S6通过FPN提出自上而下的连接方式，将不同尺度的特征图信息进行融合，得到融合后的特征图；

S7通过预先获取的候选区域框对融合后的特征图进行生物检测与识别。

优选的，所述步骤S2通过Image模型对采集的生物图像进行处理，以得到待识别生物图像，其中，处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。

优选的，所述步骤S3对待识别生物图像依次进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取待识别生物图像的生物特征。

优选的，所述生态生物识别请求包括：信息搜索请求、图片搜索请求、待识别对象描述信息中的一种或多种。

优选的，所述步骤S2对采集的生物图像数据进行色彩处理，将生物图像进行RGB转换，生成RGB颜色空间数据，对RGB颜色空间数据进行白化二值处理，即识别在RGB颜色空间数据中色调为白色的像素。

优选的，所述步骤S2还采用混合滤波方法对生物图像做降噪处理。

优选的，所述步骤S1采集生物图像时，获取湖面生物检测采集点的时间和位置，并进行存储。

优选的，所述步骤S7在识别出生物图像类别后进行提示，并进行标记及记录。