[发明专利]一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统

说明书

本发明涉及一种基于嵌入式FEFnet网络的图像自动检测计数方法，其特征在于，包括以下步骤：将图像进行数据准备与预处理；再放入空洞卷积CNN网络提取特征图；将特征图放入多层感受野RPN网络中提取更精准的候选框；特征图和候选框送入ROI Align层将特征图转化为固定维度；最后使用全连接层输出分类和回归向量。通过反复迭代更新权重输出模型，调用模型放入检测装置中检测图像位置及个数。同时还涉及到一种基于嵌入式的图像自动识别系统，用以实现所提供的FEFnet网络复杂背景图像自动检测与计数方法。本发明能有效的进行类似图像目标识别，其目标识别的精度高、速度快、鲁棒性好，且同时具有通用目标检测的能力，具有较好的市场运用前景。

技术领域

本发明属于计算机视觉技术目标检测领域，涉及一种基于嵌入式FEFnet网络(Faster Regional Expansion Fusion neural network)的复杂背景图像目标检测与计数的方法及系统。

背景技术

海水中的浮游植物是海洋生态系统中最主要的初级生产者和能量的主要转换者，海洋生物是主要的海洋浮游植物，对海洋中海洋生物进行识别，可以估测海区内生态系统的群落结构和分布状态，实现海洋的监测和综合治理。

目前大部分研究还处于人工计数阶段，其原理是用一定的色素使海水中的海洋生物呈现容易辨认的颜色，然后在海水随机提取一定微小体积的单元，将提取的海水放置于高倍放大镜下进行计数。数出一定体积内海洋生物细胞的个数，就能计算出提取的海水中海洋生物的浓度。这种方法存在实时性差、从提取样品到计数所经历的时间较长、误差较大，提取海水尽管有代表性，但仍然无法代替多点实时测量的准确性，而且由人工计数，必然产生人为误差。随着计算机硬件的快速发展，基于深度学习的图像识别广泛运用在农业、工业、商业等各领域中。本设计是一种基于嵌入式FEFnet网络的自动检测图像和计数的方法，能有效解决人工计数劳力费时的问题，经济环保。

目标检测分为单接阶法和双阶法。单阶法包括YOLO系列算法和SSD系列算法。而双阶算法包括RCNN，Fast R-CNN到Faster R-CNN。RCNN首次将CNN引入目标检测，采用选择性搜索查找高概率的预测框，使用卷积层提取每个框的高维特征，由支持向量机确定目标类别。但每个框的重叠部分进行了反复计算，增加了计算量。Fast R-CNN对RCNN进行改进，使用不同的池化层(ROI)共享特征提取的计算，得到固定维度的特征。但Fast R-CNN采取SS进行特征提取，检测速度有待提升。为了进一步提高检测速度，Faster R-CNN提出了区域建议RPN。虽然RPN依赖的几百个预测框就能达到Fast R-CNN上千个预测框相同的效果，但对于低分辨率的小目标，Faster R-CNN的检测精度相比于Fast R-CNN有所下降。

尽管现在双阶算法具有较高的准确率，但对于背景干扰大、光照反差大、图像模糊的海洋生物小目标而言检测效果不佳。一方面，小目标由于在图片中占据像素点较少，分辨率低，其对应区域的像素所反映出的信息量是非常有限的。而在极端的情况下，小目标检测可以视为像素分类任务，这导致一些通用的目标检测算法难以适用于小目标检测；另一方面，在图片包含大量噪声及光照反差大的情况下，小目标和噪声容易形成干扰，光照能影响小目标的颜色纹理等特征，这给卷积网络学习有效特征带来巨大的挑战。

根据本发明方法及系统，进行类似海洋生物这样的小目标识别，其小目标识别的精度高、速度快、鲁棒性好、环保便捷。该小目标识别方法可用于复杂背景下的目标检测，具有较好的市场运用前景。

发明内容

本发明的目的是提供一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统，利用图像预处理突出小目标特征，使用更好的特征提取网络和更优质的候选框来提高小目标检测的准确率，降低漏检率。

本发明基于一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统，其特征包括以下步骤：

图像采集过程；

图像数据准备和预处理；