(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210690891.2 (22)申请日 2022.06.17 (71)申请人 澜途集思生态科技 集团有限公司 地址 100000 北京市海淀区蓝靛厂东路2号 院金源时代商务中心 2号楼A座6D (72)发明人 杨志峰　沈永明　张远　蔡宴朋　 (74)专利代理 机构 北京市京师律师事务所 11665 专利代理师 黄熊 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/05(2022.01) G06V 10/20(2022.01) G06V 10/32(2022.01) G06V 10/40(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06Q 50/26(2012.01) (54)发明名称 基于Auto-FPN 算法的生态生物 识别方法 (57)摘要 本发明公开了基于Auto ‑FPN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Auto ‑FPN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 通过设置Auto ‑FPN算法， 能够提高目标检测的速 度和提高检测的效果， 能够 有效的提高生物识别 率。 权利要求书1页 说明书3页 附图2页 CN 114973331 A 2022.08.30 CN 114973331 A 1.基于Auto ‑FPN算法的生态生物 识别方法， 其特 征在于， 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Auto ‑FPN算法对处 理后的生物图像进行目标检测； S41选取待识别的生物图像， 通过backbone网络结构提取生物图像的不 同尺度的特征 图； S42使用SSD对不同尺度的特征图做预测， 之后通过FPN提出自上而下的连接方式， 将不 同尺度的特 征图信息进行融合； S43然后PANet通过直接将最底层的特征与最 高层的特征图进行连接， 进一步增强特征 图之间的联系； S44通过搜索网络结构来让Auto ‑FPN算法自动找到不同层之间最 合适的连接方式； S45通过RPN网络在backbo ne提取得到的特 征的基础上进一 步预测出若干个区域； S46通过RCN N对生成的若干个区域做进一 步的分类和位置回归； 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。 2.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S42不同尺度的特征图能做融合操作， 首先都会用conv  1*1的操作， 而后再计算不同 operation的权重。 3.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S1采集的生物图像后， 对图像进 行大小调整和裁剪， 以消除图像背 景效应， 对图像进 行灰 度处理。 4.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S41特征提取时， 将生物图像分成多个局部区域， 对每个局部区域， 分别输入对应的卷积 神经网络的多层卷积层进 行特征提取； 其中， 所述卷积神经网络有多个， 每一卷积神经网络 分别对应一个局部区域。 5.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S1采集 生物图像时， 通过采用区域检测网络根据生物图像特 征确定文本区域 位置特征。 6.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S41特征提取采用ResNet或VG G来提取特征。 7.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S1对采集的生物图像进行归一 化处理。 8.根据权利 要求1所述的基于Auto ‑FPN算法的生态生物识别方法， 其特征在于， 所述步 骤S5将识别成功结果进行发送， 并将生态 环境的图像数据存 储至数据库中。权　利　要　求　书 1/1 页 2 CN 114973331 A 2基于Auto‑FPN算法的生态生物识别方 法 技术领域 [0001]本发明涉及生物识别技术领域， 尤其涉及基于Auto ‑FPN算法的生态生物识别方 法。 背景技术 [0002]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 [0003]基于背景技术存在的技术问题， 本 发明提出了基于Auto ‑FPN算法的生态生物识别 方法。 [0004]本发明提出的基于Auto ‑FPN算法的生态生物 识别方法， 包括如下步骤： [0005]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； [0006]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； [0007]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； [0008]S4通过Auto ‑FPN算法对处 理后的生物图像进行目标检测； [0009]S41选取待识别的生物图像， 通过backbone网络结构提取生物图像的不同尺度的 特征图； [0010]S42使用SSD对不同尺度的特征图做 预测， 之后通过FP N提出自上而下的连接方式， 将不同尺度的特 征图信息进行融合； [0011]S43然后PANet通过直接将最底层的特征与最高层的特征图进行连接， 进一步增强 特征图之间的联系； [0012]S44通过搜索网络结构来让Auto ‑FPN算法自动找到不同层之间最合适的连接方 式； [0013]S45通过RPN网络在backbo ne提取得到的特 征的基础上进一 步预测出若干个区域； [0014]S46通过RCN N对生成的若干个区域做进一 步的分类和位置回归； [0015]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。 [0016]优选的， 所述步骤S42不同尺度的特征图能做融合操作， 首先都会用conv  1*1的操说　明　书 1/3 页 3 CN 114973331 A 3