(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 202210769364.0 (22)申请日 2022.06.30 (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 20/05(2022.01) G06V 40/10(2022.01) G06V 10/30(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 基于SpineNet算法的生态生物 识别方法 (57)摘要 本发明公开了基于SpineNet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； 通过SpineNet网络模型对待识别 生物图像进行特征提取处理， 获取待识别生物图 像的生物特征； 通过SPP层对生物特征进行池化 处理， 获取固定尺寸的生物特征； 对固定尺寸的 生物特征进行特征尺度扩展处理， 获取多种尺度 的车辆特征； 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， 得到融合后 的特征图。 本发明通过设置SpineNet算法， 能够 有效的减小算力的需求， 且有效的提高了目标检 测的精确度， 能够用更少的计算和近似相同数量 的参数， 可以获得更高的精度。 权利要求书1页 说明书3页 附图1页 CN 115035399 A 2022.09.09 CN 115035399 A 1.基于Spi neNet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通过SpineNet网络模型对待识别生物图像进行特征提取处理， 获取待识别生物图像 的生物特 征； S4通过SPP层对生物特 征进行池化处 理， 获取固定尺寸的生物特 征； S5对固定尺寸的生物特 征进行特征尺度扩展处 理， 获取多种尺度的车辆特 征； S6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， 得到融合后 的特征图； S7通过预先获取的候选区域框对融合后的特 征图进行生物检测与识别。 2.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述步 骤S2通过Image模型对采集的生物图像进 行处理， 以得到待识别生物图像， 其中， 处理包括： 随机裁剪、 随机缩放、 随机水平翻转、 以及随机颜色抖动处 理。 3.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述步 骤S3对待识别生物图像依次进行第一卷积处理、 最大池化处理、 重采样处理和第二卷积处 理后获取待识别生物图像的生物特 征。 4.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述生 态生物识别请求包括： 信息搜索请求、 图片搜索请求、 待识别对象描述信息中的一种或多 种。 5.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述步 骤S2对采集的生物图像数据进行色彩处理， 将生物图像进行RGB转换， 生成RGB颜色空间数 据， 对RGB颜色空间数据进行白化二值处理， 即识别在RGB颜色空间数据中色调 为白色的像 素。 6.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述步 骤S2还采用混合滤波方法对生物图像做降噪处 理。 7.根据权利 要求1所述的基于SpineNet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 生物检测采集 点的时间和位置， 并进行存 储。 8.根据权利 要求1所述的基于SpineNet算法的生态生物识别方法， 其特征在于， 所述步 骤S7在识别出生物图像 类别后进行提 示， 并进行 标记及记录 。权　利　要　求　书 1/1 页 2 CN 115035399 A 2基于Spine Net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SpineNet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 征不明显， 计算 量较大， 且精确度不高。 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SpineNet算法的生态生物识别 方法。 [0004]本发明提出的基于Spi neNet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通过SpineNet网络模型对待识别生物图像进行特征提取处理， 获取待识别生物 图像的生物特 征； [0008]S4通过SPP层对生物特 征进行池化处 理， 获取固定尺寸的生物特 征； [0009]S5对固定尺寸的生物特 征进行特征尺度扩展处 理， 获取多种尺度的车辆特 征； [0010]S6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， 得到融 合后的特 征图； [0011]S7通过预先获取的候选区域框对融合后的特 征图进行生物检测与识别。 [0012]优选的， 所述步骤S2通过Im age模型对采集的生物图像进行处理， 以得到待识别生 物图像， 其中， 处 理包括： 随机 裁剪、 随机缩放、 随机水平翻转、 以及随机颜色抖动处 理。 [0013]优选的， 所述步骤S3对待识别生物图像依次进行第一卷积处理、 最大池化处理、 重 采样处理和第二卷积处 理后获取待识别生物图像的生物特 征。 [0014]优选的， 所述生态生物识别请求包括： 信息搜索请求、 图片搜索请求、 待识别对象 描述信息中的一种或多种。 [0015]优选的， 所述步骤S2对采集的生物图像数据 进行色彩处理， 将生物图像进行RGB转 换， 生成RGB颜色空间数据， 对RGB颜色空间数据进行白化二值处理， 即识别在RGB颜色空间说　明　书 1/3 页 3 CN 115035399 A 3