CN117893895A - 一种三疣梭子蟹的识别方法、***、设备和存储介质 - Google Patents
一种三疣梭子蟹的识别方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN117893895A CN117893895A CN202410294513.1A CN202410294513A CN117893895A CN 117893895 A CN117893895 A CN 117893895A CN 202410294513 A CN202410294513 A CN 202410294513A CN 117893895 A CN117893895 A CN 117893895A
- Authority
- CN
- China
- Prior art keywords
- detection frame
- map
- detection
- processing
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001533364 Portunus trituberculatus Species 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 200
- 238000010586 diagram Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000238424 Crustacea Species 0.000 description 1
- 241001113556 Elodea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体为一种三疣梭子蟹的识别方法、***、设备和存储介质,该识别方法将待识别水下图像进行增强处理,去除原图像的噪声影响,将预处理图经多层降采样处理和多层上采样处理后,进行融合,得到融合特征图;基于融合特征图,实现检测框的选取和分类识别,得到检测框区域集图再经交并比、置信度计算进行筛选,获得可靠性强的最优检测框图;最后,根据最优检测框图的中心点位置标记三疣梭子蟹位置,根据最优检测框图上的分类概率标记分类结果,提升了三疣梭子蟹水下图像识别准确度和识别效率。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种三疣梭子蟹的识别方法、***、设备和存储介质。
背景技术
目标探测技术在海洋领域中的应用已经成为一个研究热点,其中包括对三疣梭子蟹的水下检测。三疣梭子蟹是一种生活在海洋中的甲壳动物,其在海洋生态***中扮演着重要的角色。因此,准确地检测和监测三疣梭子蟹的分布和数量对于海洋生态研究、资源管理和环境保护具有重要意义。
传统的三疣梭子蟹水下检测方法主要依赖于人工观察和捕捞调查,但这种方法存在局限性,如耗时耗力、操作成本高、对人力资源要求较高等。图像处理技术通过获取三疣梭子蟹水下图片来识别三疣梭子蟹信息。
但现有基于图像处理的三疣梭子蟹识别检测技术,往往受水的光线折射、水箱内其他颜色相近物体等影响,难以准确分辨出三疣梭子蟹,造成三疣梭子蟹识别准确度差,识别效率低。
发明内容
本发明的目的是提供一种三疣梭子蟹的识别方法、***、设备和存储介质。
本发明技术方案如下:
一种三疣梭子蟹的识别方法,包括如下操作:
S1、获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
S2、所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;所述预处理图经多层降采样处理,得到第二特征图;所述第一特征图和第二特征图经融合处理后,得到融合特征图;
S3、所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
S4、获取最优检测框图中,每个检测框分类概率最大值,得到三疣梭子蟹识别结果。
所述S1中增强处理的具体操作为:获取所述待识别水下图像的像素值,得到高像素阈值和低像素阈值;基于所述高像素阈值和低像素阈值,建立线性映射关系;基于所述线性映射关系,矫正处理所述待识别水下图像,得到所述预处理图。
所述S1的操作之后还包括:所述待识别水下图像经直方图均衡化处理,得到均衡图;所述均衡图与预处理图经融合处理,得到均衡预处理图;所述均衡预处理图用于执行所述S2的操作。
所述S2中第一特征图和第二特征图经融合处理,是将所述第一特征图和第二特征图进行对应层融合。
所述S2的操作之后,包括:步骤一、所述融合特征图经下采样一半处理,得到第一下采样图;步骤二、所述第一下采样图和融合特征图经族元素相加,得到第一融合图;步骤三、所述第一融合图经下采样一半处理,得到第二下采样图;步骤四、所述第二下采样图与第一融合图经族元素相加,得到融合路径图;所述融合路径图用于执行S3的操作。
所述S3中得到检测框区域集图的操作具体为:所述融合特征图经边界框回归处理,得到检测框集;所述检测框集经特征提取后,与特征数据库进行匹配和概率生成,得到含有多个检测框,每个检测框含有多个分类结果概率的检测框概率集图;所述检测框概率集图用于执行所述S3中获取交并比的操作。
S3中得到优选检测框区域集图之后,还包括:获取所述优选检测框区域集图中每个检测框的交并比;将交并比与预设交并比赋分规则进行匹配,得到第一检测框得分;判断检测框得分是否超过第一阈值;若超过,对检测框得分进行衰减处理,得到第二检测框得分;若未超过,不对检测框得分进行处理,得到的第二检测框得分与第一检测框得分相等;基于第二检测框得分,筛选处理优选检测框区域集图后,执行上述S3中获取置信度的操作。
一种三疣梭子蟹的识别***,包括:
预处理图生成模块,用于获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
融合特征图生成模块,用于所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;所述预处理图经多层降采样处理,得到第二特征图;所述第一特征图和第二特征图经融合处理后,得到融合特征图;
最优检测框图生成模块,用于所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
三疣梭子蟹识别结果生成模块,用于获取最优检测框图中,每个检测框的分类概率最大值,得到三疣梭子蟹识别结果。
一种三疣梭子蟹的识别设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的三疣梭子蟹的识别方法。
一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的三疣梭子蟹的识别方法。
本发明的有益效果在于:
本发明提供的一种三疣梭子蟹的识别方法,将待识别水下图像进行增强处理,去除原图像的噪声影响,将预处理图经多层降采样处理和多层上采样处理后,进行融合,得到融合特征图;基于融合特征图,实现检测框的选取和分类识别,得到检测框区域集图再经交并比、置信度计算进行筛选,获得可靠性强的最优检测框图;最后,根据最优检测框图的中心点位置标记三疣梭子蟹位置,根据最优检测框图上的分类概率标记分类结果,提升了三疣梭子蟹水下图像识别准确度和识别效率。
附图说明
通过阅读下文优选实施方式的详细描述,本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
在附图中:
图1为实施例中,本实施例识别方法的流程示意图;
图2为实施例中,三疣梭子蟹识别效果图。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。
本实施例提供一种三疣梭子蟹的识别方法,参见图1,包括如下操作:
S1、获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
S2、所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;
所述预处理图经多层降采样处理,得到第二特征图;
所述第一特征图和第二特征图经融合处理后,得到融合特征图;
S3、所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;
获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;
获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
S4、获取最优检测框图中,每个检测框的分类概率最大值,得到三疣梭子蟹识别结果。
S1、获取待识别水下图像,待识别水下图像经增强处理,得到预处理图。
拍摄三疣梭子蟹生活区域的水下图像,得到待识别水下图像,受水的光线折射影响,水下物体不清晰,尤其是水面波纹较多时、水下物体较为模糊,特征信息更难以提取,且当水下其他物体(例如石头、水草等),若与三疣梭子蟹颜色形态接近,则更难以识别出三疣梭子蟹。
因此,需要首先对待识别水下图像进行增强处理,增强处理的操作为:获取待识别水下图像的像素值,得到高像素阈值和低像素阈值;基于高像素阈值和低像素阈值,建立线性映射关系;基于线性映射关系,矫正处理待识别水下图像,得到预处理图。
具体为,读取待识别水下图像的像素值分布,绘制单通道直方图,统计单通道直方图中的像素值,将像素值从小到大排序后,求取首尾数量为各占总像素值数量的0.5%数量的像素值的平均值,得到高像素阈值和低像素阈值,即Vmax和Vmin,并设计线性映射关系,依照线性映射关系矫正待识别水下图像,得到预处理图。
线性映射关系为:
,
u为待识别水下图像中某一位置处的原像素值,f(u)为预处理图中某一位置处的像素值。
为进一步增强待识别水下图像,S1的操作之后,还包括:待识别水下图像经直方图均衡化处理,得到均衡图;均衡图与预处理图经融合处理,得到均衡预处理图;均衡预处理图用于执行S2的操作。这里的融合具体为均值融合,过程为,将相应位置处,均衡图与预处理图的像素值进行平均处理,得到的像素平均值赋值给预处理图,得到均衡预处理图。
S2、预处理图或均衡预处理图经多层降采样处理和多层上采样处理,得到第一特征图;预处理图或均衡预处理图经多层降采样处理,得到第二特征图;第一特征图和第二特征图经融合处理后,得到融合特征图。
S2中第一特征图和第二特征图经融合处理,是将第一特征图和第二特征图进行对应层融合,具体为,是将第一特征图中某一池化层输出的采样结果,与第二特征图中对应池化层输出的采样结果进行融合。
所述S2的操作之后,还包括:步骤一、融合特征图经下采样一半处理,得到第一下采样图;步骤二、第一下采样图和融合特征图经族元素相加,得到第一融合图;步骤三、第一融合图经下采样一半处理,得到第二下采样图;步骤四、第二下采样图与第一融合图经族元素相加,得到融合路径图;融合路径图用于执行S3的操作。下采样一半后得到图像尺寸为原图像尺寸的一半,下采样一半可通过卷积网络实现。另外,可根据实际需求,增加下采样一半处理的次数,由此得到路径信息丰富、特征信息丰富的融合路径图,便于后续的分类。
S3、融合特征图或融合路径图经边界框回归处理和分类概率处理,得到检测框区域集图;获取检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;获取优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图。
得到检测框区域集图的操作为:融合特征图经边界框回归处理,得到检测框集;检测框集经特征提取后,与特征数据库进行匹配和概率生成,得到含有多个检测框,每个检测框含有多个分类结果概率的检测框概率集图;检测框概率集图用于执行S3中获取交并比的操作。
具体为,根据融合特征图的像素分布特点,进行边界框回归处理(边界框回归处理为现有技术,为节省篇幅,不再此过多叙述),使融合特征图或融合路径图上同一块检测区域上分布多个检测框,接着对每个检测框分别进行卷积和池化处理,将得到的卷积特征图和池化特征图进行特征融合处理,得到特征信息丰富图,根据该图当中的特征信息,与含有三疣梭子蟹、石头、水、水管等组成的特征数据库进行匹配,得到分类结果,以及相应的概率值,将分类结果和相应的概率值传递给全连接层,生成一个含有多个检测框,每个检测框上含有多个分类结果和分类概率的检测框概率集图。
为进一步缩小检测框的数量,提高计算效率,将检测框概率集图进行概率归一化处理,得到归一化检测框概率集图,得到的归一化检测框概率集图用于执行S3中获取交并比的操作。具体为,将检测框概率集图中每个检测框的分类概率进行归一化处理,删除未落入线性区间内的概率值后,得到分类较为准确的归一化检测框概率集图。
计算交并比。交并比(Intersection over Union,IOU)是一种用于衡量两个检测框之间重叠程度的指标,IOU=两个检测框相交面积/两个检测框相并面积。得到每个检测框的交并比后,判断交并比是否超过交并比阈值,若超过,保留对应检测框,若不超过,删除对应检测框。若某个检测框具有多个交并比,则将其交并比均值与交并比阈值进行对比。
另外,S3中得到优选检测框区域集图之后,还包括获取优选检测框区域集图中每个检测框的交并比;将交并比与预设交并比赋分规则进行匹配,得到第一检测框得分;判断检测框得分是否超过第一阈值;若超过,对检测框得分进行衰减处理,得到第二检测框得分;若未超过,不对检测框得分进行处理,得到的第二检测框得分与第一检测框得分相等;基于第二检测框得分,筛选处理优选检测框区域集图后,执行S3中获取置信度的操作。筛选处理的过程为,若第二检测框得分不超过得分阈值,保留对应检测框;若第二检测框得分超过得分阈值,删除对应检测框。另外,若某个检测框具有多个交并比,第一检测框得分为该检测框的多个交并比匹配后的得分均值。
衰减处理可通过如下公式实现:
,
为为第二检测框得分,Si为第一检测框得分,RIOU为检测框交并比。
S4、获取最优检测框图中,每个检测框的分类概率最大值,得到三疣梭子蟹识别结果。
最优检测框图中,每个检测框含有多个分类结果以及对应的分类概率,将分类概率最大值做对应的分类结果记为目标的分类识别结果,并获取检测框的中心点位置作为目标的位置信息,得到三疣梭子蟹识别结果。
三疣梭子蟹的识别结果参见图2,图2中的检测框为保留的最优检测框,该最优检测框上标记有分类概率最大值的类别,以及具体概率值,其中类别1对应为三疣梭子蟹。
另外,为了优化分类结果,依据上述得到的识别结果,将三疣梭子蟹作为正样本,非三疣梭子蟹作为负样本,并根据实际需求分别分配适当的权重,利用损失函数平衡正负样本之间的影响,提高学习分类能力。
损失函数为:
,
其中,表示损失函数,y为真实标签(取值为0或1),为预测标签(介于0和1之
间),w pos 是正样本权重,w neg 是负样本权重。在这个公式中,当y为1时,代表正样本,对应的损
失项为,即正样本的权重乘以真实标签为1时的预测值的负对数。当y为0时,
代表负样本,对应的损失项为,即负样本的权重乘以真实标签为0时
的预测值为1的情况下的负对数。通过设置权重,可以将正样本赋予较高的权重,使计算更
加关注对三疣梭子蟹的准确识别和定位。同时,将负样本赋予较低的权重,以减少其对计算
的影响。综合而言,损失函数的输入是预测结果(上述的识别结果)、真实标签以及权重,输
出是用于预测结果与真实标签之间差距的损失值。通过最小化这个损失值,使上述识别过
程的预测将逐渐趋向于真实情况,从而提高分类识别的能力。
本实施例提供一种三疣梭子蟹的识别***,包括:
预处理图生成模块,用于获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
融合特征图生成模块,用于所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;所述预处理图经多层降采样处理,得到第二特征图;所述第一特征图和第二特征图经融合处理后,得到融合特征图;
最优检测框图生成模块,用于所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
三疣梭子蟹识别结果生成模块,用于获取最优检测框图中,每个检测框的分类概率最大值,得到三疣梭子蟹识别结果。
本实施例提供一种三疣梭子蟹的识别设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的三疣梭子蟹的识别方法。
本实施例提供一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的三疣梭子蟹的识别方法。
本实施例提供的一种三疣梭子蟹的识别方法,将待识别水下图像进行增强处理,去除原图像的噪声影响,将预处理图经多层降采样处理和多层上采样处理后,进行融合,得到融合特征图;基于融合特征图,实现检测框的选取和分类识别,得到检测框区域集图再经交并比、置信度计算进行筛选,获得可靠性强的最优检测框图;最后,根据最优检测框图的中心点位置标记三疣梭子蟹位置,根据最优检测框图上的分类概率标记分类结果,提升了三疣梭子蟹水下图像识别准确度和识别效率。
Claims (10)
1.一种三疣梭子蟹的识别方法,其特征在于,包括如下操作:
S1、获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
S2、所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;
所述预处理图经多层降采样处理,得到第二特征图;
所述第一特征图和第二特征图经融合处理后,得到融合特征图;
S3、所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;
获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;
获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
S4、获取最优检测框图中,每个检测框分类概率最大值,得到三疣梭子蟹识别结果。
2.根据权利要求1所述的识别方法,其特征在于,所述S1中增强处理的具体操作为:
获取所述待识别水下图像的像素值,得到高像素阈值和低像素阈值;
基于所述高像素阈值和低像素阈值,建立线性映射关系;
基于所述线性映射关系,矫正处理所述待识别水下图像,得到所述预处理图。
3.根据权利要求1所述的识别方法,其特征在于,所述S1的操作之后还包括:
所述待识别水下图像经直方图均衡化处理,得到均衡图;
所述均衡图与预处理图经融合处理,得到均衡预处理图;
所述均衡预处理图用于执行所述S2的操作。
4.根据权利要求1所述的识别方法,其特征在于,所述S2中第一特征图和第二特征图经融合处理,是将所述第一特征图和第二特征图进行对应层融合。
5.根据权利要求1所述的识别方法,其特征在于,所述S2的操作之后,包括:
步骤一、所述融合特征图经下采样一半处理,得到第一下采样图;
步骤二、所述第一下采样图和融合特征图经族元素相加,得到第一融合图;
步骤三、所述第一融合图经下采样一半处理,得到第二下采样图;
步骤四、所述第二下采样图与第一融合图经族元素相加,得到融合路径图;
所述融合路径图用于执行S3的操作。
6.根据权利要求1所述的识别方法,其特征在于,所述S3中得到检测框区域集图的操作具体为:
所述融合特征图经边界框回归处理,得到检测框集;所述检测框集经特征提取后,与特征数据库进行匹配和概率生成,得到含有多个检测框,每个检测框含有多个分类结果概率的检测框概率集图;
所述检测框概率集图用于执行所述S3中获取交并比的操作。
7.根据权利要求1所述的识别方法,其特征在于,所述S3中得到优选检测框区域集图之后,还包括:
获取所述优选检测框区域集图中每个检测框的交并比;
将交并比与预设交并比赋分规则进行匹配,得到第一检测框得分;
判断检测框得分是否超过第一阈值;若超过,对检测框得分进行衰减处理,得到第二检测框得分;若未超过,不对检测框得分进行处理,得到的第二检测框得分与第一检测框得分相等;
基于第二检测框得分,筛选处理优选检测框区域集图后,执行上述S3中获取置信度的操作。
8.一种三疣梭子蟹的识别***,其特征在于,包括:
预处理图生成模块,用于获取待识别水下图像,所述待识别水下图像经增强处理,得到预处理图;
融合特征图生成模块,用于所述预处理图经多层降采样处理和多层上采样处理,得到第一特征图;所述预处理图经多层降采样处理,得到第二特征图;所述第一特征图和第二特征图经融合处理后,得到融合特征图;
最优检测框图生成模块,用于所述融合特征图经边界框回归处理和分类概率处理,得到检测框区域集图;获取所述检测框区域集图中,同一检测区域内,不同检测框的交并比,经筛选处理,得到优选检测框区域集图;获取所述优选检测框区域集图的置信度,保留同一检测区域内,置信度最高的检测框,得到最优检测框图;
三疣梭子蟹识别结果生成模块,用于获取最优检测框图中,每个检测框的分类概率最大值,得到三疣梭子蟹识别结果。
9.一种三疣梭子蟹的识别设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的三疣梭子蟹的识别方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的三疣梭子蟹的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294513.1A CN117893895A (zh) | 2024-03-15 | 2024-03-15 | 一种三疣梭子蟹的识别方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294513.1A CN117893895A (zh) | 2024-03-15 | 2024-03-15 | 一种三疣梭子蟹的识别方法、***、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893895A true CN117893895A (zh) | 2024-04-16 |
Family
ID=90641424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410294513.1A Pending CN117893895A (zh) | 2024-03-15 | 2024-03-15 | 一种三疣梭子蟹的识别方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893895A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520229A (zh) * | 2018-04-04 | 2018-09-11 | 北京旷视科技有限公司 | 图像检测方法、装置、电子设备和计算机可读介质 |
CN111368600A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感图像目标检测识别方法、装置、可读存储介质及设备 |
CN111461260A (zh) * | 2020-04-29 | 2020-07-28 | 上海东普信息科技有限公司 | 基于特征融合的目标检测方法、装置、设备及存储介质 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
CN111797829A (zh) * | 2020-06-24 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种车牌检测方法、装置、电子设备和存储介质 |
CN112052787A (zh) * | 2020-09-03 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法、装置及电子设备 |
US20210174149A1 (en) * | 2018-11-20 | 2021-06-10 | Xidian University | Feature fusion and dense connection-based method for infrared plane object detection |
CN114140413A (zh) * | 2021-11-24 | 2022-03-04 | 广西成电智能制造产业技术有限责任公司 | 一种优化小目标和改善漏检问题的食材图像检测方法 |
CN114359199A (zh) * | 2021-12-28 | 2022-04-15 | 集美大学 | 一种基于深度学习的鱼类计数方法、装置、设备和介质 |
CN114764778A (zh) * | 2021-01-14 | 2022-07-19 | 北京图森智途科技有限公司 | 一种目标检测方法、目标检测模型训练方法及相关设备 |
CN115019058A (zh) * | 2022-06-02 | 2022-09-06 | 宁波大学 | 一种基于金字塔特征融合的三疣梭子蟹重识别方法及*** |
US20230184927A1 (en) * | 2021-12-15 | 2023-06-15 | Anhui University | Contextual visual-based sar target detection method and apparatus, and storage medium |
CN116843581A (zh) * | 2023-08-30 | 2023-10-03 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、***、设备和存储介质 |
CN116884095A (zh) * | 2023-09-08 | 2023-10-13 | 烟台大学 | 仿生机械手的手势识别控制方法、***、设备和存储介质 |
CN117475389A (zh) * | 2023-12-27 | 2024-01-30 | 山东海润数聚科技有限公司 | 一种人行横道信号灯的控制方法、***、设备和存储介质 |
CN117541838A (zh) * | 2022-07-29 | 2024-02-09 | 中国电信股份有限公司 | 物体检测的阈值调整方法、装置及电子设备 |
-
2024
- 2024-03-15 CN CN202410294513.1A patent/CN117893895A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520229A (zh) * | 2018-04-04 | 2018-09-11 | 北京旷视科技有限公司 | 图像检测方法、装置、电子设备和计算机可读介质 |
US20210174149A1 (en) * | 2018-11-20 | 2021-06-10 | Xidian University | Feature fusion and dense connection-based method for infrared plane object detection |
CN111368600A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感图像目标检测识别方法、装置、可读存储介质及设备 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
CN111461260A (zh) * | 2020-04-29 | 2020-07-28 | 上海东普信息科技有限公司 | 基于特征融合的目标检测方法、装置、设备及存储介质 |
CN111797829A (zh) * | 2020-06-24 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种车牌检测方法、装置、电子设备和存储介质 |
CN112052787A (zh) * | 2020-09-03 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法、装置及电子设备 |
CN114764778A (zh) * | 2021-01-14 | 2022-07-19 | 北京图森智途科技有限公司 | 一种目标检测方法、目标检测模型训练方法及相关设备 |
CN114140413A (zh) * | 2021-11-24 | 2022-03-04 | 广西成电智能制造产业技术有限责任公司 | 一种优化小目标和改善漏检问题的食材图像检测方法 |
US20230184927A1 (en) * | 2021-12-15 | 2023-06-15 | Anhui University | Contextual visual-based sar target detection method and apparatus, and storage medium |
CN114359199A (zh) * | 2021-12-28 | 2022-04-15 | 集美大学 | 一种基于深度学习的鱼类计数方法、装置、设备和介质 |
CN115019058A (zh) * | 2022-06-02 | 2022-09-06 | 宁波大学 | 一种基于金字塔特征融合的三疣梭子蟹重识别方法及*** |
CN117541838A (zh) * | 2022-07-29 | 2024-02-09 | 中国电信股份有限公司 | 物体检测的阈值调整方法、装置及电子设备 |
CN116843581A (zh) * | 2023-08-30 | 2023-10-03 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、***、设备和存储介质 |
CN116884095A (zh) * | 2023-09-08 | 2023-10-13 | 烟台大学 | 仿生机械手的手势识别控制方法、***、设备和存储介质 |
CN117475389A (zh) * | 2023-12-27 | 2024-01-30 | 山东海润数聚科技有限公司 | 一种人行横道信号灯的控制方法、***、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
彭嘉祺: "池塘养殖河蟹图像增强和实时检测方法研究", 万方硕士论文数据库, 15 November 2023 (2023-11-15), pages 2 - 5 * |
牛斌;张怡迪;马利;魏云;: "一种融合多尺度特征的多物体检测方法", 辽宁大学学报(自然科学版), no. 02, 15 May 2019 (2019-05-15) * |
王霖郁;蒋强卫;李爽;: "基于双目图像多特征点融合匹配物体识别与定位研究", 无线电工程, no. 08, 17 July 2018 (2018-07-17) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN113158777B (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
CN114998603A (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN116452966A (zh) | 一种水下图像的目标检测方法、装置、设备及存储介质 | |
CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
CN113283396A (zh) | 目标对象的类别检测方法、装置、计算机设备和存储介质 | |
CN113888496A (zh) | 基于深度卷积神经网络的***形态识别方法及存储介质 | |
CN113705489B (zh) | 基于先验区域知识指导的遥感影像细粒度飞机识别方法 | |
CN117893895A (zh) | 一种三疣梭子蟹的识别方法、***、设备和存储介质 | |
CN113837255B (zh) | 预测以细胞为基质的抗体核型类别的方法、设备和介质 | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 | |
CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
CN112949634A (zh) | 一种铁路接触网鸟窝检测方法 | |
CN112287929A (zh) | 基于特征集成深度学习网络的遥感图像显著性分析方法 | |
CN111968136A (zh) | 一种煤岩显微图像分析方法及分析*** | |
CN116012656B (zh) | 样本图像的生成方法和图像处理模型的训练方法、装置 | |
CN112990145B (zh) | 一种基于组稀疏年龄估计方法及电子设备 | |
CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 | |
CN117173494B (zh) | 基于类别平衡样本选择的含噪声标签图像识别方法及*** | |
Li et al. | A Deep Learning based Method for Microscopic Object Localization and Classification | |
CN113705729B (zh) | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |