[发明专利]基于DetNAS算法的生态生物识别方法

说明书

本发明公开了基于DetNAS算法的生态生物识别方法，包括如下步骤：发起生态生物识别请求，根据请求在生态环境中采集多个生物图像；对采集的生物图像数据进行处理，得到处理后的生物图像；收集历史生态生物图像，将收集的历史生态生物图像进行分类，并建立生物图像数据库；通过DetNAS算法对处理后的生物图像进行目标检测；选取待识别的特征图，并与生态特征数据库中的特征数据进行对比识别。本发明设计更好的物体检测器Backbone的神经网络搜索方法；由DetNAS搜索出的框架在COCO上的性能超越了ResNet‑50与ResNet‑101，且模型计算量更低，能够便于提高生物识别率。

技术领域

本发明涉及生物识别技术领域，尤其涉及基于DetNAS算法的生态生物识别方法。

背景技术

水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况。然而，现有的水生生物图像识别时，特征识别速度较慢，识别率较低。

发明内容

基于背景技术存在的技术问题，本发明提出了基于DetNAS算法的生态生物识别方法。

本发明提出的基于DetNAS算法的生态生物识别方法，包括如下步骤：

S1发起生态生物识别请求，根据请求在生态环境中采集多个生物图像；

S2对采集的生物图像数据进行处理，得到处理后的生物图像；

S3收集历史生态生物图像，将收集的历史生态生物图像进行分类，并建立生物图像数据库；

S4通过DetNAS算法对处理后的生物图像进行目标检测；

S41在ImageNet上预训练Supernet：在每次迭代过程中，只有单个路径会被采样进行前馈与反馈传播，该过程中Supernet图上的其他路径或节点的梯度与权重都不会进行更新；

S42在检测数据集上微调Supernet：将预训练好的Supernet上加上检测器的head，并在目标检测数据集下进行训练，在Supernet训练过程中使用同步批归一化作为替代，同步批归一化可以在多个GPU上计算批统计量；

S43用遗传算法在训练好的Supernet上进行结构搜索：在已训练好的Supernet上用进化算法进行结构搜索，在搜索过程中，不同的子网络会在Supernet中逐路径进行采样，得到生物特征图；

S5选取待识别的特征图，并与生态特征数据库中的特征数据进行对比识别。

优选的，所述步骤S43结构搜索步骤基于进化算法：首先，对一个种群的网络P进行初始化，每个网络P由其架构P.θ以及其适应度P.f组成，任何违反约束η的架构将会被移除，并且系统会选择一个新架构进行替代。

优选的，在初始化以后，对有适应度P.f的网络P.θ在验证集V_Det上进行评估，然后，在经评估的网络中选取最佳的|P|个结构作为父本，以其生成子代网络，进一步，第二代网络由父本在约束η下变异和组合交叉所得到，通过在迭代过程中重复此操作，可以找到一条验证集上精度最高的路径。

优选的，所述步骤S2将采集的生物图像进行拆分处理，然后剔除拆分后的无用数据，采集有用数据进行汇总。