基于图像的海洋微藻识别系统的设计与实现
发布时间：2021-01-01 22:08
海洋中的微型藻类是一种原始的海洋浮游植物,人们简略的把它称作海洋微藻,其不仅是海洋生态系统中的主要海洋生物资源,同时也是重要的初级生产者。很多种类的海洋微藻都有比较可观的经济价值,在对海洋微藻进行研究过程中,首先就是需要对海洋微藻进行检测。本文利用数字图像处理技术对海洋微藻进行自动识别并进行分类,首先研究了传统识别方法对海洋微藻进行的分类识别,并对图像二值化进行了改进,采用了自适应阈值的二值化方法。在检测部分将Hu矩特征与余弦相似度进行融合,避免了目标对象的大小差异对检测的影响。其次,通过对深度学习算法的研究,发现该算法在应用于海洋微藻识别方面较传统算法有精确度高,为此,本文将迁移学习方法同yolov3算法进行了结合,通过实验证明,海洋微藻训练数据较少的情况下,该方法在海洋微藻识别方面具有较好的效果。同时,为了进一步提高识别率,减少计算量,本文基于深度可分离卷积算法的计算量小的特点,给出了基于深度可分离卷积的高斯yolov3算法,改进后的mAP提高了1.45%,FPS达到了42.35,提高了19.95。最后,本文设计了一套海洋微藻分类识别系统,搭建了一套包括用户管理模块、用户操作模块、...
【文章来源】：大连海洋大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
YOLOv1检测流程
82.2基于深度学习方法的检测技术在传统的物体检测过程中，有一个十分重要的问题就是特征的选择，通常情况下是依靠一些经验去选择相关特征，对于一种特定的识别物体设计一种特定的特征去识别，但是如果想对于多种目标进行识别时，则往往很难设计一种较好的手工特征，无法详细的描述识别目标的变换，仅适用于单一的类别，迁移性较差。因此，大量的学者进行深入研究，随着深度学习算法不断的发展，基于深度学习的检测技术出现，该方法很好的解决了传统检测算法的很多弊端，提高了物体检测的性能。较早的就有相关科研工作者提出的OverFeat模型[46]，慢慢的不断发展出现了很多优秀的检测算法。2.2.1YOLOv1原理。YOLO是具有很好检测性能的一种算法，受到很多学者的研究。YOLOv1流程如图2-2，首先，根据收集采样的数据对YOLOv1进行学习训练，之后会得到模型，只有获得训练好的模型之后才能对要处理的数据进行检测[47]。然后，对于要处理检测的数据进行划分，将一整张图像数据分为S×S个区域，在每一个不同的区域中分别进行预测，可以获得B个随机位置和大小的矩形框，与此同时也会得到这些不同的区域分别是某种类概率。最终，根据得到的概率进行相关操作获得一个最终的评估得分，将评估得分同设定的阈值进行比较，当其大于设定的阈值时则为最后的检测结果。图2-2YOLOv1检测流程Fig.2-2YOLOv1detectionprocess（1）YOLOv1的网络结构如图2-3所示：图2-3YOLOv1网络结构Fig.2-3YOLOv1networkstructure
闫涑叽绱笮∥?×1×512，3×3×1024的重复两次，还有尺寸大小为3×3×1024和3×3×1024-s-2的两个，对于上一步处理后的图像经过该部分处理最终会得到大小为7×7×1024。第六个是由两种不同维度共两个卷积层构成的，对于卷积层其尺寸大小为3×3×1024和3×3×1024。第七个也是最后一个主要是由两个节点数不同的全连接层构成，其分别为4096和30。（2）网络训练YOLOv1在对目标进行检测之前需要先对模型进行训练，其方法如下[48]：Step1：首先需要对输入的训练样本进行标记处理，通常依靠标注软件进行信息的标记，结果如图2-4所示，然后将目标的相关基本信息保存为标签文件。Step2：以一个数据为例，首先应该将数据图像和它所对应的存有基本信息的标签进行输入，然后对数据图像进行归一化处理，经处理后的数据图像进行网格分割同时编号，每个大小为S×S，如图2-5所示。图2-4手动标记样本示意图Fig.2-4Manuallabelingdiagram
【参考文献】：
期刊论文
[1]基于自适应幅度谱分析的显著目标检测[J]. 于芝涛,姬婷婷,程孝龙,赵红苗,姬光荣,郑海永. 中国海洋大学学报(自然科学版). 2017(07)
[2]基于形状特征的叶片图像识别算法比较研究[J]. 陈良宵,王斌. 计算机工程与应用. 2017(09)
[3]硅藻细胞显微图像骨架树匹配方法研究[J]. 乔小燕. 系统仿真学报. 2015(10)
[4]赤潮藻类流式图像自动分析算法的研究[J]. 谢杰镇,骆庭伟,戴君伟,王迪,高艳,冉升. 计算机科学. 2013(07)
[5]图像分割算法的探究[J]. 郭丽伟. 沈阳师范大学学报(自然科学版). 2013(03)
[6]现代模式识别发展的研究与探索[J]. 霍桂利. 河北广播电视大学学报. 2012(05)
[7]基于图像处理技术的海洋微藻数量统计方法[J]. 郭显久,张国胜,耿春云. 大连海洋大学学报. 2012(04)
[8]一种基于小波奇异值分解的仿生模式虹膜识别算法[J]. 翟懿奎,曾军英. 电路与系统学报. 2012(02)
[9]傅里叶识别分析在赤潮生物自动识别中的应用研究[J]. 余肖翰,谢杰镇,郑少平. 海洋湖沼通报. 2011(04)
[10]基于形状特征的硅藻显微图像自动识别[J]. 骆巧琦,李雪松,梁君荣,陈长平,高亚辉. 厦门大学学报(自然科学版). 2011(04)
博士论文
[1]基于生物形态学的赤潮藻显微图像分割与特征提取研究[D]. 乔小燕.中国海洋大学 2010
本文编号：2952070
【文章来源】：大连海洋大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
YOLOv1检测流程
82.2基于深度学习方法的检测技术在传统的物体检测过程中，有一个十分重要的问题就是特征的选择，通常情况下是依靠一些经验去选择相关特征，对于一种特定的识别物体设计一种特定的特征去识别，但是如果想对于多种目标进行识别时，则往往很难设计一种较好的手工特征，无法详细的描述识别目标的变换，仅适用于单一的类别，迁移性较差。因此，大量的学者进行深入研究，随着深度学习算法不断的发展，基于深度学习的检测技术出现，该方法很好的解决了传统检测算法的很多弊端，提高了物体检测的性能。较早的就有相关科研工作者提出的OverFeat模型[46]，慢慢的不断发展出现了很多优秀的检测算法。2.2.1YOLOv1原理。YOLO是具有很好检测性能的一种算法，受到很多学者的研究。YOLOv1流程如图2-2，首先，根据收集采样的数据对YOLOv1进行学习训练，之后会得到模型，只有获得训练好的模型之后才能对要处理的数据进行检测[47]。然后，对于要处理检测的数据进行划分，将一整张图像数据分为S×S个区域，在每一个不同的区域中分别进行预测，可以获得B个随机位置和大小的矩形框，与此同时也会得到这些不同的区域分别是某种类概率。最终，根据得到的概率进行相关操作获得一个最终的评估得分，将评估得分同设定的阈值进行比较，当其大于设定的阈值时则为最后的检测结果。图2-2YOLOv1检测流程Fig.2-2YOLOv1detectionprocess（1）YOLOv1的网络结构如图2-3所示：图2-3YOLOv1网络结构Fig.2-3YOLOv1networkstructure
闫涑叽绱笮∥?×1×512，3×3×1024的重复两次，还有尺寸大小为3×3×1024和3×3×1024-s-2的两个，对于上一步处理后的图像经过该部分处理最终会得到大小为7×7×1024。第六个是由两种不同维度共两个卷积层构成的，对于卷积层其尺寸大小为3×3×1024和3×3×1024。第七个也是最后一个主要是由两个节点数不同的全连接层构成，其分别为4096和30。（2）网络训练YOLOv1在对目标进行检测之前需要先对模型进行训练，其方法如下[48]：Step1：首先需要对输入的训练样本进行标记处理，通常依靠标注软件进行信息的标记，结果如图2-4所示，然后将目标的相关基本信息保存为标签文件。Step2：以一个数据为例，首先应该将数据图像和它所对应的存有基本信息的标签进行输入，然后对数据图像进行归一化处理，经处理后的数据图像进行网格分割同时编号，每个大小为S×S，如图2-5所示。图2-4手动标记样本示意图Fig.2-4Manuallabelingdiagram
【参考文献】：
期刊论文
[1]基于自适应幅度谱分析的显著目标检测[J]. 于芝涛,姬婷婷,程孝龙,赵红苗,姬光荣,郑海永. 中国海洋大学学报(自然科学版). 2017(07)
[2]基于形状特征的叶片图像识别算法比较研究[J]. 陈良宵,王斌. 计算机工程与应用. 2017(09)
[3]硅藻细胞显微图像骨架树匹配方法研究[J]. 乔小燕. 系统仿真学报. 2015(10)
[4]赤潮藻类流式图像自动分析算法的研究[J]. 谢杰镇,骆庭伟,戴君伟,王迪,高艳,冉升. 计算机科学. 2013(07)
[5]图像分割算法的探究[J]. 郭丽伟. 沈阳师范大学学报(自然科学版). 2013(03)
[6]现代模式识别发展的研究与探索[J]. 霍桂利. 河北广播电视大学学报. 2012(05)
[7]基于图像处理技术的海洋微藻数量统计方法[J]. 郭显久,张国胜,耿春云. 大连海洋大学学报. 2012(04)
[8]一种基于小波奇异值分解的仿生模式虹膜识别算法[J]. 翟懿奎,曾军英. 电路与系统学报. 2012(02)
[9]傅里叶识别分析在赤潮生物自动识别中的应用研究[J]. 余肖翰,谢杰镇,郑少平. 海洋湖沼通报. 2011(04)
[10]基于形状特征的硅藻显微图像自动识别[J]. 骆巧琦,李雪松,梁君荣,陈长平,高亚辉. 厦门大学学报(自然科学版). 2011(04)
博士论文
[1]基于生物形态学的赤潮藻显微图像分割与特征提取研究[D]. 乔小燕.中国海洋大学 2010
本文编号：2952070
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2952070.html
最近更新
教材专著
