[发明专利]基于图像特征深度学习的小球藻和金藻分类识别方法

说明书

本发明公开一种基于图像特征深度学习的小球藻和金藻分类识别方法，在建立检测数据集时，对现有ResNet算法进行改进，加快传入网络的速率，在不影响特征图大小的情况下实现特征图维度的自由变换，同时引入非线性运算，提高网络的表达能力，将分类准确率提升到98%。另外，本发明在FasterRCNN的基础上对用于图像特征提取的卷积层进行改进并在通过骨干网络提取特征图的过程中加入FPN结构，从骨干网络中提取多张不同分辨率的特征图进行后续的RPN操作，以确保较小的小球藻和金藻的特征不会丢失；本发明设计锚点的尺寸和长宽比例，有效提高检测效率。

技术领域

本发明涉及一种浮游藻类分类识别方法，尤其是一种基于图像特征深度学习的小球藻和金藻分类识别方法。

背景技术

小球藻和金藻是海洋中常见且外观相像的两种浮游藻类，可用于海产品养殖饵料。在某些场合则需要将处于混合状态的二者进行分类识别，例如明确海洋初级营养结构和来源，或者有效确定赤潮、贝毒等海洋灾害源头及主要因素。

深度学习是用于图像分类的主要方法，但是在深度学习中，随着网络层数的增加，会出现计算资源消耗量增加、模型容易过拟合以及梯度消失、梯度爆炸等问题。在VGG网络中，卷积神经网络的深度达到了19层，随着Google提出GoogleNet后，卷积神经网络的深度达到了22层。对此何凯明等人提出了一种深度残差网络算法（ResNet），该算法引入残差块（Residual block）的思想。在残差块中，网络输入分成两个分支，其中一个分支经过两次卷积，另一分支直接越过两层卷积层与经过两次卷积操作的第一分支的输出函数相加，使输出函数变为。这样的结构可以使梯度在反向传播的过程中不会受到Relu激活函数的影响，同时不会增加收敛过程中的计算复杂度，大大加速训练的收敛速度。FasterRCNN也是由何凯明在2016年提出的基于CNN的一种典型的“two-stage”目标检测算法，是将图像特征提取、感兴趣区域生成、目标分类及边界框回归等检测流程集成到一个完整的深度神经网络中，使算法在综合性能上获得了较大的提升。

基于图像对小球藻和金藻进行分类识别时，若使用高倍率显微图像，单张样本图视野内目标清晰、目标单位面积大且易于辨识，方便人工标注，但分类识别效率低；而采用低倍率显微图像时，小球藻和金藻所占面积极小、分布密集，目标可辨识程度较低，如采用人工标注的方式将会极大的增加时间成本且极易出现错误标注的情况。故现有基于图像特征的分类技术并不适合于低倍率显微图像时的小球藻和金藻分类识别，存在着准确率较低的问题。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于图像特征深度学习的小球藻和金藻分类识别方法。

本发明的技术解决方案是：一种基于图像特征深度学习的小球藻和金藻分类识别方法，其特征在于将待分类识别图像输入至图像特征深度学习的计算机模型中处理，所述图像特征深度学习的计算机模型依次按照如下步骤构建：

步骤1：制备目标检测数据集

步骤1.1：在低倍率电子显微镜条件下，采集含小球藻和金藻的图像；

步骤1.2：将采集的图像经过OpenCV预处理；

步骤1.3：将经过OpenCV预处理的图像通过TinyResNet-15卷积神经网络对图像中的小球藻及金藻进行分类，得到具有小球藻和金藻类别信息的图像；

所述TinyResNet-15卷积神经网络对图像中的小球藻及金藻进行分类步骤如下：

步骤1.3.1将图像传入第一卷积层中，先进行卷积核为3*3、输入通道数为3、输出通道数为64、步长为2填充为3的卷积操作，之后依次进行BN和Relu操作，输出尺寸为64*26*26的特征图；将所述特征图再进行卷积核为3*3、步长为2的最大池化操作，得到尺寸为64*13*13的第一卷积层最终输出特征图out1；