[发明专利]一种基于深度学习的浮游生物自动检测方法

权利要求书

1.一种基于深度学习的浮游生物自动检测方法，其特征在于包括：

利用采集到的样品制作浮游动植物彩色显微图像数据集；

对浮游生物图像数据集进行物种鉴别和分类标注；

将浮游生物图像数据集进行图像预处理；

将图像数据集按照一定比例分为训练数据集、验证数据集和测试数据集；

将训练数据集和验证数据集输入Faster R-CNN检测模型中进行训练、并优化网络参数；

利用训练好的检测模型对测试集中的图像进行检测；

对检测模型进行评估得到各个类别的平均精度以及平均精度均值。

2.根据权利要求1所述的基于深度学习的浮游生物自动检测方法，其特征还在于：对浮游生物图像数据集进行如下预处理：

将图像数据重新设置固定分辨率为900×600；

对图像数据进行水平镜像、垂直镜像、旋转和对比度增强处理；

所述水平镜像采用如下方式：

假设原图像的高度为h，宽度为w，经过水平镜像变换后，原图像中像素点P(x₀,y₀)的像素变为新图像坐标P′(w-x₀,y₀)处的像素值，用(x₀,y₀)表示原图像坐标，(x₁,y₁)表示经水平镜像变换后图像的坐标，则这两张图像的关系表示为：

逆变换为：

所述旋转采用如下方式：假设图像的左上角为(left,top),右下角为(right,bottom)，则图像上任意点(x₀,y₀)绕其中心(xcenter,ycenter)逆时针旋转θ角度后，新的坐标位置(x′,y′)的计算公式为：

xcenter＝(righ-left+1)/2+left

ycenter＝(bottom-top+1)/2+top

x′＝(x₀-xcenter)cosθ-(y₀-ycenter)sinθ+xcenter

y′＝(x₀-xcenter)sinθ-(y₀-ycenter)cosθ+ycenter

对比度增强采用如下方式：

利用直方图均衡化进行对比度增强，计算每个通道像素级别(0-255)的累加概率，然后用累加概率乘以255代替原来的像素。

3.根据权利要求1所述的基于深度学习的浮游生物自动检测方法，其特征还在于：对检测模型进行训练时：

将输入的图片以长×宽×高的张量形式表征并输入至已在大型图像分类任务上训练好的预训练网络中、提取输入图片的特征图，将该特征图用于区域建议网络和全连接层；

将RPN网络用于生成区域提议：首先生成锚框，对该锚框进行裁剪过滤后判断锚框属于前景还是后景，同时对所得到的锚框进行修正形成精确的区域提议；

利用RPN网络生成的区域提议和特征图得到固定大小的区域特征图，将区域特征图输入至全连接层进行目标识别和定位。

4.根据权利要求1所述的基于深度学习的浮游生物自动检测方法，其特征还在于：采用查准率Precision和查全率Recall评估完成训练的检测模型的准确率，即：

式中，TP表示将正类预测为正类的个数，FP表示将负类预测为正类的个数,即误报数，FN表示将正类预测为负类数，即漏报数；

绘制p(r)曲线分析检测模型的检测性能，其中以Recall值为横轴、Precision值为纵轴，

平均精准度AP是对p(r)曲线上的Precision值求均值，具体采用积分进行计算：