[发明专利]多源藻类图像目标检测方法、系统、电子设备及存储介质

说明书

本发明涉及一种多源藻类图像目标检测方法、系统、电子设备及存储介质，属于淡水水体藻华事件监测领域，首先通过编写的藻类自动化爬取工具爬取选定藻类种类的图像，该图像包含所有格式，对藻类图像中的藻细胞进行分类标注，并将所有分类标注的藻类图像构成源域数据集；然后结合目标域数据集，采用FasterRCNN进行迁移学习，获得多源藻类图像目标检测模型；最后即可利用多源藻类图像目标检测模型进行识别与分类。本发明在现有小量标注样本的藻类数据集的基础上，训练一个通用的可识别多种类的藻类目标检测模型，可以检测来自多格式的藻类图片，并能够对多源藻类实现高精度识别与分类。

技术领域

本发明涉及淡水水体藻华事件监测领域，特别是涉及一种多源藻类图像目标检测方法、系统、电子设备及存储介质。

背景技术

随着工农业的迅速发展，加之人们对环境保护认识的不足及缺乏有效的监管，使环境污染日益恶化。特别是世界范围内的水体富营养化问题日渐凸显，而这就引起了水体藻类突发性过度增殖，俗称水华，它是一种由水体中浮游植物大量增殖引起的自然现象。因为水华现象的频繁发生，对淡水形成二次污染，其水质遭到严重破坏，给人们的日常生活和生产活动带来了十分恶劣的影响。

某些藻类在一定的环境下会产生对健康有害的毒素，并且在不同水域，导致水华的频繁爆发均各不相同，造成水华的有害物种包含六种藻类:硅藻、甲藻、触生植物、针藻、蓝藻和浮游植物，而它们在形态、生理和生态特征方面差异很大。因此有必要具体识别产生藻华爆发的物种。

解决技术：对产生藻华爆发的物种的具体识别

本领域现有技术：基于机器学习的藻类图像分类技术

(1)对于图像源来说，近年来在开展的藻华监测中，数据源主要包含IFCB设备，显微镜，Flowcam流式细胞摄像系统等设备拍摄到的藻类图像。不同数据源中的藻类图像格式不兼容，目前，基于机器学习的相关藻类图像分类技术仅针对单一的数据源图像进行图像处理和分析。

(2)对于藻类图像分类算法来说，例如Promdaen等人在泰国水生生态系统中发现的12种微藻分类，采用基于特征组合方法的机器学习模型和序列最小优化(SMO)技术实现了高达97.22％的准确率。Deglint等人使用预先训练的深度残差卷积神经网络技术对六种藻类分类群进行分类，其准确率达到了96％。Park等人使用CNN模型对流域中的8个藻类分类群进行了分类，并获得了0.95的F1分数。在墨西哥湾，Balakrishna Gokaraju等人提出了一种基于机器学习的时空数据挖掘方法检测水华事件。在香港地区，Jiuhao Guo、JosephH.W.Lee以及Ken T.M.Won等人利用IFCB传感器所测得的香港周围的亚热带沿岸水域的水质数据，提出基于数据驱动的人工神经网络(ANN)每日藻华风险预测系统。

现有技术存在的缺陷与不足：

(1)现有的藻类分类模型分类效果有待提升

基于机器学习的藻类图像识别方法，例如深度神经网络需要大量具有标签的图像数据。现有研究对有害藻分类所能区分的种类不多，一旦面对种类繁多的真实藻类图像，尤其在藻类种类繁多的情况下其分类效果有待提升，还无法代替具有丰富经验的藻类专家进行藻的分类工作。且现有的分类方法都是基于大量数据的基础之下，在实际应用当中会有很大的局限性。

更重要的是，通常的环境和水里工作者通过光学显微镜采集到最新的藻类图像，通常视野中藻类图像中包含多个藻细胞，图像分类对一幅图片只有一个分类目标，无法对图中的多个藻类信息进行诠释。

(2)各地区藻类品种不一样导致模型无法直接移植