(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 202210586046.0 (22)申请日 2022.05.26 (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 10/40(2022.01) G06V 10/764(2022.01) G06V 10/25(2022.01) G06V 10/32(2022.01)G06V 10/20(2022.01) G06V 10/74(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 基于Pelee算法的生态生物 识别方法 (57)摘要 本发明公开了基于Pelee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生物图像； 对采集的 生物图像数据进行优化求精， 得到优化后的生物 图像数据； 收集生态生物特征， 将收集的生态特 征进行分类， 并建立生态特征数据库； 通过Pelee 算法对处理后的生物图像数据进行目标检测； 将 生物图像的生物特征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Pelee算 法， 能够实现对特征有效利用， 优化小型网络， 具 有更高的图像分类准确率， 并降低了计算成本， 有效的提高生物 识别率。 权利要求书1页 说明书3页 附图1页 CN 114821666 A 2022.07.29 CN 114821666 A 1.基于Pele e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 生物图像； S2对采集的生物图像数据进行优化 求精， 得到优化后的生物图像数据； S3收集生态生物特 征， 将收集的生态特 征进行分类， 并建立 生态特征数据库； S4通过Pele e算法对处 理后的生物图像数据进行目标检测； S41对接一个stem  block， 然后通过dense  block获取图像的特 征； S42接着用t ransition layer对获取图像的特 征进行降维处 理， 提取生物特 征； S43提取生物特 征后， 使用全局平均池化接全连阶层分类； S5将生物图像的生物特 征与生态特 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Pelee算法的生态生物识别方法， 其特征在于， 所述步骤 S4获取图像的特征沿着特征提取网络传递， 对于每一个用于检测的特征图像， 构建一个残 差预测块。 3.根据权利要求1所述的基于Pelee算法的生态生物识别方法， 其特征在于， 所述步骤 S4采用后激活的传统智慧作为Pele e算法的复合 函数。 4.根据权利要求1所述的基于Pelee算法的生态生物识别方法， 其特征在于， 所述步骤 S43使用全局平均池化接全连阶层分类， 将生物特征图转化为特征向量， 将 每个特征层最后 得到的特 征向量拼接成一个特 征向量后接 两层全连接， 将特 征向量映射 为信息度值。 5.根据权利要求1所述的基于Pelee算法的生态生物识别方法， 其特征在于， 所述步骤 S1采集生物图像为彩色图像， 将生物图像的彩色图像由RGB颜色空间转为HIS颜色空间， 获 得HIS图像信息， HIS图像信息包括图像饱和度、 亮度及位置信息 。 6.根据权利要求1所述的基于Pelee算法的生态生物识别方法， 其特征在于， 所述步骤 S4之前对待检测的生物图像经过归一化处理以及按照固定尺寸缩放处理， 获取 处理后的待 检测生物图像的框特 征。 7.根据权利要求1所述的基于Pelee算法的生态生物识别方法， 其特征在于， 所述获取 待检测图生物图像中目标的框特征的步骤， 包括： 将待检测生物图像输入主干网络， 获取主 干网络输出的预测点； 回归出 所述预测点与标注的真实目标边框的距离， 得到 框特征。 8.根据权利要求1所述的基于Pelee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优化求精， 包括： 将生物图像进行拆分， 剔除无用数据信息， 并将有用数据信息进行归类融合。权　利　要　求　书 1/1 页 2 CN 114821666 A 2基于Pele e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Pele e算法的生态生物 识别方法。 背景技术 [0002]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， 有许多水生生物对水中毒物很敏感， 也可以通过水生生物毒性实验 结果来判断水质污染程度。 现有通过对 水生生物的图像采集识别来判断生物的种类， 然而， 现有的生物识别过程中不便于对生物特征进 行有效的利用， 不便于精准的对生物特征进 行 识别， 识别率较差 。 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Pelee算法的生态生物识别方 法。 [0004]本发明提出的基于Pele e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 生物图像； [0006]S2对采集的生物图像数据进行优化 求精， 得到优化后的生物图像数据； [0007]S3收集生态生物特 征， 将收集的生态特 征进行分类， 并建立 生态特征数据库； [0008]S4通过Pele e算法对处 理后的生物图像数据进行目标检测； [0009]S41对接一个stem  block， 然后通过dense  block获取图像的特 征； [0010]S42接着用t ransition layer对获取图像的特 征进行降维处 理， 提取生物特 征； [0011]S43提取生物特 征后， 使用全局平均池化接全连阶层分类； [0012]S5将生物图像的生物特 征与生态特 征数据库中的特 征数据进行对比识别。 [0013]优选的， 所述步骤S4获取图像 的特征沿着特征提取网络传递， 对于每一个用于检 测的特征图像， 构建一个残差预测块。 [0014]优选的， 所述 步骤S4采用后激活的传统智慧作为Pele e算法的复合 函数。 [0015]优选的， 所述步骤S 43使用全局平均 池化接全连阶层分类， 将生物特征图转化为特 征向量， 将每个特征层最后得到的特征向量拼接成一个特征向量后接两层全连接， 将特征 向量映射 为信息度值。 [0016]优选的， 所述步骤S1采集生物图像为彩色图像， 将生物图像的彩色图像由RGB颜色 空间转为HIS颜色空间， 获得HIS图像信息， HIS图像信息包括图像饱和度、 亮度及位置信息 。 [0017]优选的， 所述步骤S4之前对待检测的生物图像经过归一化 处理以及按照固定尺寸 缩放处理， 获取处 理后的待检测生物图像的框特 征。 [0018]优选的， 所述获取待检测图生物图像中目标的框特征的步骤， 包括： 将待检测生物说　明　书 1/3 页 3 CN 114821666 A 3