基于R-FCN算法的生态生物识别方法与流程

基于r-fcn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r-fcn算法的生态生物识别方法。


背景技术：

2.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；
3.生物识别技术是指，通过计算机与光学、声学、生物传感器以及生物统计学原理等手段相结合，利用生物固有的生理特性和行为特征来进行生物身份验证的技术。因此，需要对生态水生生物的生物进行识别，现有的生态生物识别方法识别速度慢，准确率不高。


技术实现要素：

4.基于背景技术存在的技术问题，本发明提出了基于r-fcn算法的生态生物识别方法。
5.本发明提出的基于r-fcn算法的生态生物识别方法，包括如下步骤：
6.s1收集生态生物特征，将收集的生态特征进行收集分类，并建立分布式生态特征数据库；
7.s2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数据；
8.s3对采集的生物图像数据进行处理，得到处理后的生物图像数据；
9.s4通过r-fcn算法对处理后的生物图像数据进行目标检测；
10.s41输入一张图片到已加载预训练权重的分类网络；
11.s42经过预训练网络后，在最后一个卷积层存在有3个分支，第一个是在feature map上面做rpn网络，得到相应的roi，第二分支就是得到该feature map上的一个k2(c 1)维的position-sensitive score map，用做分类，相同的方式同时得到第三分支为一个4k2维的position-sensitive score map，用于bb回归；
12.s43在k2(c 1)和4k2这两个score map上分别执行position-sensitive pooling获得其最终的类别和位置信息；
13.s5将检测后的生物图像数据与分布式生态特征数据库中的特征数据进行对比识别。
14.优选的，所述步骤s4采用resnet的检测网络，基于resnet的检测网络通常会使用roi层将网络划分为共享卷积层和roi-wise层，第一部分通过共享卷积层提取图像特征，第二部分一般为全连接层，分别对每一个roi做分类和回归。
15.优选的，所述score map其实质就是一个feature map，score map。宽和高都与
feature map一样，维度设为c 1，而同时要产生k2个score map。
16.优选的，所述步骤s43中的position-sensitive pooling：利用rpn网络提取出的roi，其有位置信息(x，y，w，h)。然后会被划分为k2个bins，每个bin对应score map上的一个区域，对这个区域进行pooling操作，并且是平均池化操作从而得到c 1维的向量，然后进行vetor，得到最终的类别概率。
17.优选的，所述步骤s42的position-sensitive score map中的每个roi输出偏移量4，在共享卷积层的最后一层连接上与上面并行的score map，其维度为4k2，然后经过上述的roi pooling，最后得到一个4维的向量作为bb回归。
18.优选的，所述步骤s3采集生物图像数据后采用图像归一法和图像增强法对图像数据进行处理。
19.优选的，所述采集生物图像数据后在将生物图像数据进行加密，以得到加密数据，本地应用利用与本地私钥匹配的公钥进行解密。
20.优选的，所述步骤s5将检测后的生物图像数据通过数据库进行分类存储。
21.本发明中，所述基于r-fcn算法的生态生物识别方法，使用了全卷积的网络，实现了完全的计算共享，速度比faster r-cnn快了2.5-20倍，达到了0.17s/img，准确率相比faster r-cnn在速度优势的情况下，稍有提高，分析了分类与检测的位移敏感性，并提出了解决方案。
附图说明
22.图1为本发明提出的基于r-fcn算法的生态生物识别方法的流程图；
23.图2为本发明提出的基于r-fcn算法的生态生物识别方法的r-fcn算法目标检测流程图。
具体实施方式
24.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。
25.参照图1-2，基于r-fcn算法的生态生物识别方法，包括如下步骤：
26.s1收集生态生物特征，将收集的生态特征进行收集分类，并建立分布式生态特征数据库；
27.s2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数据；
28.s3对采集的生物图像数据进行处理，得到处理后的生物图像数据；
29.s4通过r-fcn算法对处理后的生物图像数据进行目标检测；
30.s41输入一张图片到已加载预训练权重的分类网络；
31.s42经过预训练网络后，在最后一个卷积层存在有3个分支，第一个是在feature map上面做rpn网络，得到相应的roi，第二分支就是得到该feature map上的一个k2(c 1)维的position-sensitive score map，用做分类，相同的方式同时得到第三分支为一个4k2维的position-sensitive score map，用于bb回归；
32.s43在k2(c 1)和4k2这两个score map上分别执行position-sensitive pooling获得其最终的类别和位置信息；
33.s5将检测后的生物图像数据与分布式生态特征数据库中的特征数据进行对比识别。
34.本发明中，步骤s4采用resnet的检测网络，基于resnet的检测网络通常会使用roi层将网络划分为共享卷积层和roi-wise层，第一部分通过共享卷积层提取图像特征，第二部分一般为全连接层，分别对每一个roi做分类和回归。
35.本发明中，score map其实质就是一个feature map，score map。宽和高都与feature map一样，维度设为c 1，而同时要产生k2个score map。
36.本发明中，步骤s43中的position-sensitive pooling：利用rpn网络提取出的roi，其有位置信息(x，y，w，h)。然后会被划分为k2个bins，每个bin对应score map上的一个区域，对这个区域进行pooling操作，并且是平均池化操作从而得到c 1维的向量，然后进行vetor，得到最终的类别概率。
37.本发明中，步骤s42的position-sensitive score map中的每个roi输出偏移量4，在共享卷积层的最后一层连接上与上面并行的score map，其维度为4k2，然后经过上述的roi pooling，最后得到一个4维的向量作为bb回归。
38.本发明中，步骤s3采集生物图像数据后采用图像归一法和图像增强法对图像数据进行处理。
39.本发明中，采集生物图像数据后在将生物图像数据进行加密，以得到加密数据，本地应用利用与本地私钥匹配的公钥进行解密。
40.本发明中，步骤s5将检测后的生物图像数据通过数据库进行分类存储。
41.本发明：收集生态生物特征，将收集的生态特征进行收集分类，并建立分布式生态特征数据库；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数据；对采集的生物图像数据进行处理，得到处理后的生物图像数据；通过r-fcn算法对处理后的生物图像数据进行目标检测；输入一张图片到已加载预训练权重的分类网络；经过预训练网络后，在最后一个卷积层存在有3个分支，第一个是在feature map上面做rpn网络，得到相应的roi，第二分支就是得到该feature map上的一个k2(c 1)维的position-sensitive score map，用做分类，相同的方式同时得到第三分支为一个4k2维的position-sensitive score map，用于bb回归；在k2(c 1)和4k2这两个score map上分别执行position-sensitive pooling获得其最终的类别和位置信息；将检测后的生物图像数据与分布式生态特征数据库中的特征数据进行对比识别。
42.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。