(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 202210686395.X (22)申请日 2022.06.16 (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 10/26(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) G06V 10/42(2022.01) G06V 10/30(2022.01)G06V 10/24(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) (54)发明名称 基于HTC算法的生态生物 识别方法 (57)摘要 本发明公开了基于HTC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通过采集器采集生物图像， 并将采集的生物图像进行存储； 收集生态生物特 征， 将收集的生态特征进行收集分类， 并建立分 布式生态特征数据库； 通过HTC算法对采集的生 物图像数据进行目标检测； 对区分前景和背景得 到图像进行特征提取， 使用全局平均池化接全 连 阶层分类， 得到生物图像的特征数据； 将得到的 生物图像特征数据与生态特征数据库中的特征 数据进行对比识别。 本发明HTC是一种高性能的 检测和实例 分割模型， 整体结构基于MaskR ‑CNN 和CascadeR ‑CNN并进行改进， HTC中引入了语义 分割分支从而更好地获得前景信息， 便于生物的 特征提取和精准识别。 权利要求书1页 说明书3页 附图2页 CN 115049829 A 2022.09.13 CN 115049829 A 1.基于HTC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通过采集器采集生物图像， 并将采 集的生物图像进行存 储； S2收集生态生物特征， 将收集的生态特征进行收集分类， 并建立分布式生态特征数据 库； S3通过HTC算法对 采集的生物图像数据进行目标检测； S31将Cascade  R‑CNN和Mask R‑CNN的简单结合； S32在每个stage里先执行box分支， 将回归过的框再交由mask分支来预测mask； S33在不同的sta ge的mask分支之间引入直接的信息流； S34通过引入语义分割分支S来 提供空间上 下文信息， 从而帮助模型区分前 景和背景； S4对区分前景和背景得到图像进行特征提取， 使用全局平均池化接全连阶层分类， 得 到生物图像的特 征数据； S5将得到的生物图像特 征数据与生态特 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HTC算法的生态生物识别方法， 其特征在于， 所述步骤S31 将相邻阶段的Mask  R‑CNN通过box分支进行 连接。 3.根据权利 要求1所述的基于HTC算法的生态生物识别方法， 其特征在于， 所述步骤S32 先执行box分支得到box预测结果r t,并将rt经过pool结构后再作为mask分支的输入。 4.根据权利要求1所述的基于HTC算法的生态生物识别方法， 其特征在于， 所述步骤S1 对采集的生物图像做颜色校正处 理， 并采用混合滤波方法对原 始图片做降噪处 理。 5.根据权利要求1所述的基于HTC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 预处理， 包括： 图像缩放、 转置以及图像 类型转换。 6.根据权利要求1所述的基于HTC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， 获取湖面 生物采集器采集图像的时间和位置， 并进行存 储。 7.根据权利 要求1所述的基于HTC算法的生态生物识别方法， 其特征在于， 所述步骤S32 每个stage内的boundi ng box和mask分别采用交替执 行。 8.根据权利 要求1所述的基于HTC算法的生态生物识别方法， 其特征在于， 所述步骤S34 语义分割的特 征和原始的boundi ng box/mask分支融合， 增强spatial  context。 9.根据权利要求1所述的基于HTC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， 并将通过将识别成果进行展示。权　利　要　求　书 1/1 页 2 CN 115049829 A 2基于HTC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 HTC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， 不便 于对图像进行分割， 不便 于提取生物特 征， 生物识别率不高。 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 HTC算法的生态生物 识别方法。 [0004]本发明提出的基于 HTC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通过采集器采集生物图像， 并 将采集的生物图像进行存 储； [0006]S2收集生态生物特征， 将收集的生态特征进行收集分类， 并建立分布式生态特征 数据库； [0007]S3通过HTC算法对 采集的生物图像数据进行目标检测； [0008]S31将Cascade  R‑CNN和Mask R‑CNN的简单结合； [0009]S32在每个stage里先执行box分支， 将回归过的框再交由mask分支来预测mask； [0010]S33在不同的sta ge的mask分支之间引入直接的信息流； [0011]S34通过引入语义分割分支S 来提供空间上下文信息， 从而帮助模型区分前景和背 景； [0012]S4对区分前景和背景得到图像进行特征提取， 使用全局平均池化接全连阶层分 类， 得到生物图像的特 征数据； [0013]S5将得到的生物图像特 征数据与生态特 征数据库中的特 征数据进行对比识别。 [0014]优选的， 所述 步骤S31将相邻阶段的Mask  R‑CNN通过box分支进行 连接。 [0015]优选的， 所述步骤S32先执行box分支 得到box预测结果rt,并将rt经过pool结构后 再作为mask分支的输入。 [0016]优选的， 所述步骤S1对采集的生物图像做颜色校正处理， 并采用混合滤波方法对 原始图片做降噪处 理。 [0017]优选的， 所述步骤S1对采集的生物图像进行预处理， 包括： 图像缩放、 转置以及图说　明　书 1/3 页 3 CN 115049829 A 3