[发明专利]一种基于深度学习的浮游生物自动检测方法

说明书

本发明公开了一种基于深度学习的浮游生物自动检测方法，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。该方法借助深度学习的强大优势，让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。

技术领域

本发明涉及图像处理技术及海洋浮游生物领域，具体涉及一种基于深度学习的浮游生物自动检测方法。

背景技术

海洋生态系统是一个复杂多变的系统，海洋生物对人类具有巨大的经济和公益价值。在海洋生态系统的结构和功能中，海洋浮游生物占有极其重要的位置。海洋浮游生物是一个庞大而复杂的生态类群，主要由属初级生产力的浮游植物和属次级生产力的浮游动物组成。浮游生物的生物量、种群结构、群落多样性、地理分布及生理变化对海洋食物链结构变化、海洋物质循环的生物泵作用、生物地球化学循环影响、整个海洋生态系统结构和功能变化、甚至全球气候变化都起着重要的作用。它们也是海洋生物资源的重要组成部分，是海洋生态系统动力学的基础，具有种类多、数量大、繁殖快等特点，在海洋生态系统的物质循环和能量流动中起着极其重要的作用。

海洋浮游植物既是重要的海洋生物资源,又是赤潮等自然灾害的肇事者。赤潮是全球性的海洋环境问题之一，不仅严重破坏了海洋渔业和水产资源,甚至威胁到人类的身体健康和生命安全，对赤潮的监测同样离不开对浮游生物进行检测。随着对浮游生物在海洋生态系统变化、海洋生物地球化学和海洋环境研究中所起作用的深入认识，海洋浮游生物研究在当今海洋科学研究中已日益引起各国科学家的重视。

现有的原位观测系统，可以直接利用设备对浮游生物进行检测，但由于复杂的水下环境，原位观测系统检测精度较低，且价格昂贵；传统的依靠人工对浮游生物进行分了鉴定并计数的方法由于工作量大且冗余，并需要专业的人员进行操作，对大量的浮游生物进行检测计数是很繁重的工作，并且检测的精度随着检测时间的增加开始下降；现有的自动检测算法大多是基于传统机器学习算法，但传统的检测算法是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余并且手工设计的特征对于多样性的变化并没有很好的鲁棒性。随着深度学习技术的发展，不用手工设计规则，深度学习可以尽可能的优化损失函数去学习规则，并尽可能的挖掘数据潜在特征。因此，一种高效，基于深度学习的检测方法亟待提出。

发明内容

根据现有技术存在的问题，本发明公开了一种基于深度学习的浮游生物自动检测方法。用以解决传统机器学习方法检测效率低，精度差的技术问题。

为实现上述目的，本申请采用以下技术方案予以实现：

一种基于深度学习的浮游生物自动检测方法，包括如下步骤：

S1:利用采集到的样品制作浮游动植物彩色显微图像数据集；

S2:对浮游生物图像数据集进行物种鉴别和分类标注；

S3:将浮游生物图像数据集进行图像预处理；

S4:将图像数据集按照6:2:2比例分为训练数据集、验证数据集和测试数据集；

S5: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；

S6:利用训练好的检测模型对测试集中的图像进行检测；

S7:对检测模型进行评估，得到各个类别的精度以及平均精度。

S1中具体采用如下方式：