[发明专利]水下生物检测与识别方法、装置、服务器及终端设备

权利要求书

1.一种水下生物检测与识别方法，其特征在于，包括：

获取水下生物的训练数据集，具体为：获取每一个类别的水下生物所对应的所有水下生物图片，将所述水下生物所对应的所有水下生物图片作为所述类水下生物所对应的训练数据，对所述水下生物的训练数据集中的原始图像进行多尺度的缩放，得到所述水下生物在不同尺度下所对应的训练数据集；

选取深度神经网络的基础模型，调整所述基础模型的网络参数，对所述水下生物在不同尺度下所对应的训练数据集进行训练，得到所述水下生物在不同尺度下对应的深度神经网络模型；

在所述深度神经网络的基础模型的基础上增加网络分支，对深度神经网络学习得到的特征图进行归一化处理，得到显著图；

将所述显著图与所述特征图对应元素进行乘积运算，得到去除无关背景信息的特征图；

获取测试图像数据；

采用不同尺度下对应的深度神经网络模型检测所述测试图像数据中的水下生物；

将不同尺度下对应的深度神经网络模型对每一张测试图像输出的检测框进行合并，通过非极大值抑制算法去除重合的检测框，得到最终的检测框，以实现不同尺度对应的深度神经网络模型融合；

获取水下拍摄图像数据；

根据预先训练的深度神经网络模型对所述拍摄图像数据进行检测，识别出所述拍摄图像数据中的水下生物；

基于识别出的水下生物进行水下生物资源分类和计数；

输出所述水下生物资源分类和计数的结果。

2.如权利要求1所述的水下生物检测与识别方法，其特征在于，所述根据预先训练的深度神经网络模型对所述拍摄图像数据进行检测，识别出所述拍摄图像数据中的水下生物包括：

根据所述预先训练的深度神经网络模型提取出训练数据集中水下生物的的多层卷积网络特征图；

对所述水下生物的多层卷积特征图进行融合，得到所述水下生物的多层卷积特征融合图；

根据所述水下生物的多层卷积特征融合图检测拍摄图像数据中所包括的水下生物，并识别出所述水下生物的种类。

3.一种水下生物检测与识别装置，其特征在于，包括：

第一训练单元，用于：获取水下生物的训练数据集，具体为：获取每一个类别的水下生物所对应的所有水下生物图片，将所述水下生物所对应的所有水下生物图片作为所述类水下生物所对应的训练数据；选取深度神经网络的基础模型，调整所述基础模型的网络参数，对所述训练数据集进行训练，得到所述水下生物的深度神经网络模型；

第二训练单元，用于：获取水下生物的训练数据集，对所述水下生物的训练数据集中的原始图像进行多尺度的缩放，得到所述水下生物在不同尺度下所对应的训练数据集；选取深度神经网络的基础模型，调整所述基础模型的网络参数，对所述水下生物在不同尺度下所对应的训练数据集进行训练，得到所述水下生物在不同尺度下对应的深度神经网络模型；

测试单元，用于获取测试图像数据；采用不同尺度下对应的深度神经网络模型检测所述测试图像数据中的水下生物；将不同尺度下对应的深度神经网络模型对每一张测试图像输出的检测框进行合并，通过非极大值抑制算法去除重合的检测框，得到最终的检测框，以实现不同尺度对应的深度神经网络模型融合；

显著图处理单元，用于：在所述深度神经网络的基础模型的基础上增加网络分支，对深度神经网络学习得到的特征图进行归一化处理，得到显著图；将所述显著图与所述特征图对应元素进行乘积运算，得到去除无关背景信息的特征图；

数据采集单元，用于获取水下拍摄图像数据；

检测和识别单元，用于根据预先训练的深度神经网络模型对所述拍摄图像数据进行检测，识别出所述拍摄图像数据中的水下生物；

分类统计单元，用于基于识别出的水下生物进行水下生物资源分类和计数；

用户界面展示单元，用于输出所述水下生物资源分类和计数的结果。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述方法的步骤。