浮游生物分类识别方法及系统

技术领域

本发明涉及分类识别领域，具体而言，涉及一种浮游生物分类识别方法及系统。

背景技术

随着智能化水下拍摄设备的不断发展，人们对水下成像系统所成像的质量和智能化程度要求越来越高。目前，针对海洋水下浮游生物拍摄成像的设备在进行水下作业时，水下摄像头在水中成像图像数据通常为连续拍摄的方式进行连续成像并通过处理器对图像进行处理和识别。

但是，现有技术中的水下成像设备进行拍摄成像时,通常会对水下摄像头拍摄到的浮游生物数量及位置进行自动图像识别，而无法根据水下拍摄到的浮游生物的情况进行分类识别，即无法识别水下拍摄的浮游生物的种类等分类信息。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种浮游生物分类识别方法及系统，以至少解决现有技术中无法识别水下拍摄浮游生物的种类的技术问题。

根据本发明实施例的一个方面，提供了一种浮游生物分类识别方法，包括：获取目标图像数据；根据所述目标图像数据，提取目标特征值；根据所述目标特征值，创建分类识别模型；根据所述分类识别模型，识别浮游生物的类别。

可选的，在所述获取目标图像数据之前，所述方法还包括：获取环境中浮游生物的位置。

可选的，所述根据所述目标图像数据，提取目标特征值包括：利用随机森林算法对所述目标图像数据进行特征值提取。

可选的，在所述根据所述目标特征值，创建分类识别模型之后，所述方法还包括：根据预设特征值，验证所述分类识别模型是否创建完毕。

可选的，所述根据所述分类识别模型，识别浮游生物的类别包括：将所述目标图像数据输入到所述分类识别模型中；根据所述分类识别模型和所述目标图像数据，得到浮游生物分类识别结果。

根据本发明实施例的另一方面，还提供了一种浮游生物分类识别系统，包括：获取模块，用于获取目标图像数据；提取模块，用于根据所述目标图像数据，提取目标特征值；创建模块，用于根据所述目标特征值，创建分类识别模型；识别模块，用于根据所述分类识别模型，识别浮游生物的类别。

可选的，所述系统还包括：获取模块，还用于获取环境中浮游生物的位置。

可选的，所述提取模块包括：提取单元，用于利用随机森林算法对所述目标图像数据进行特征值提取。

可选的，所述系统还包括：验证模块，用于根据预设特征值，验证所述分类识别模型是否创建完毕。

可选的，所述识别模块包括：输入单元，用于将所述目标图像数据输入到所述分类识别模型中；分类单元，用于根据所述分类识别模型和所述目标图像数据，得到浮游生物分类识别结果。

在本发明实施例中，采用获取目标图像数据；根据所述目标图像数据，提取目标特征值；根据所述目标特征值，创建分类识别模型；根据所述分类识别模型，识别浮游生物的类别的方式，通过创建分类识别模型的方式，达到了对水下摄像头拍摄的浮游生物进行种类的识别的目的，从而实现了实时进行分类识别的技术效果，进而解决了现有技术中无法识别水下拍摄浮游生物的种类的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种浮游生物分类识别方法的流程图；

图2是根据本发明实施例的一种浮游生物分类识别装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种浮游生物分类识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图1是根据本发明实施例的一种浮游生物分类识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取目标图像数据。

具体的，本发明实施例的目的是创建浮游生物的分类识别模型，并根据分类识别模型对水下拍摄的浮游生物种类进行分类，所以首先需要根据水下摄像机的摄像头来获取目标图像数据，其中目标图像数据可以是摄像头拍摄下来的原始图像数据，该原始图像数据包括需要进行分类的所有浮游生物。

可选的，在所述获取目标图像数据之前，所述方法还包括：获取环境中浮游生物的位置。

具体的，为了得到含有需要进行分类的浮游生物，需要通过水下摄像机设备对浮游生物的位置进行获取和采集，并根据这些浮游生物的位置来进行分析和处理。需要说明的是，浮游生物的位置也可以是浮游生物的数量，即摄像机镜头范围之内存在多少待分类识别的浮游生物，获得以上信息之后，处理器会根据浮游生物的数量和位置有针对性地对浮游生物进行拍摄和采集原始图像数据。

步骤S104，根据所述目标图像数据，提取目标特征值。

具体的，根据上述实施例中获取到的目标图像数据，利用预设在处理器中的特征值算法对目标图像数据进行特征值采集，以便达到顺利创建浮游生物分类识别模型的技术效果。

可选的，所述根据所述目标图像数据，提取目标特征值包括：利用随机森林算法对所述目标图像数据进行特征值提取。

具体的，可以利用随机森林算法对所述目标图像数据进行特征值提取，其中，在机器学习领域中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method"以建造决策树的集合。

进一步地，本发明实施例随机森林算法可以根据下列算法而建造每棵树[1]：

1、用N来表示训练用例(样本)的个数，M表示特征数目。

2、输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。

3、从N个训练用例(样本)中以有放回抽样的方式，取样N次，形成一个训练集(即bootstrap取样)，并用未抽到的用例(样本)作预测，评估其误差。

4、对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。

5、每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用)。

步骤S106，根据所述目标特征值，创建分类识别模型。

具体的，根据上述实施例中获取的图像数据的特征值参数，创建分类识别模型，根据模型自定义参数中的config配置，来进行模型输入量和输出量的限定，通过若干组图像数据特征值来对该模型进行训练，使该模型达到一个成熟可用的模型结果。

可选的，在所述根据所述目标特征值，创建分类识别模型之后，所述方法还包括：根据预设特征值，验证所述分类识别模型是否创建完毕。

具体的，在创建了模型之后，需要采集一组预设特征值的数据进行模型验证，以验证该创建的模型是否符合将浮游生物进行分类识别的效果。其中，预设特征值可以是从原始图像数据中采集出来的新的特征值，也可以是用户根据实际模型需要和要求预先设置于处理器中的特征值。具体采用哪种验证方式，在此处不进行限定。

步骤S108，根据所述分类识别模型，识别浮游生物的类别。

可选的，所述根据所述分类识别模型，识别浮游生物的类别包括：将所述目标图像数据输入到所述分类识别模型中；根据所述分类识别模型和所述目标图像数据，得到浮游生物分类识别结果。

具体的，当创建好分类识别模型之后，根据用户的实际应用需要，将目标图像数据输入到创建好的分类识别模型中，并利用该模型的功能以及目标图像数据的特征值等信息，获得最终浮游生物分类识别结果。

通过上述步骤，可以实现通过创建分类识别模型，对水下浮游生物进行分类识别。

实施例二

图2是根据本发明实施例的一种浮游生物分类识别装置的结构框图，如图2所示，该装置包括如下步骤：

获取模块20，用于获取目标图像数据。

具体的，本发明实施例的目的是创建浮游生物的分类识别模型，并根据分类识别模型对水下拍摄的浮游生物种类进行分类，所以首先需要根据水下摄像机的摄像头来获取目标图像数据，其中目标图像数据可以是摄像头拍摄下来的原始图像数据，该原始图像数据包括需要进行分类的所有浮游生物。

可选的，所述系统还包括：获取模块，还用于获取环境中浮游生物的位置。

具体的，为了得到含有需要进行分类的浮游生物，需要通过水下摄像机设备对浮游生物的位置进行获取和采集，并根据这些浮游生物的位置来进行分析和处理。需要说明的是，浮游生物的位置也可以是浮游生物的数量，即摄像机镜头范围之内存在多少待分类识别的浮游生物，获得以上信息之后，处理器会根据浮游生物的数量和位置有针对性地对浮游生物进行拍摄和采集原始图像数据。

提取模块22，用于根据所述目标图像数据，提取目标特征值。

具体的，根据上述实施例中获取到的目标图像数据，利用预设在处理器中的特征值算法对目标图像数据进行特征值采集，以便达到顺利创建浮游生物分类识别模型的技术效果。

可选的，所述提取模块包括：提取单元，用于利用随机森林算法对所述目标图像数据进行特征值提取。

具体的，可以利用随机森林算法对所述目标图像数据进行特征值提取，其中，在机器学习领域中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method"以建造决策树的集合。

进一步地，本发明实施例随机森林算法可以根据下列算法而建造每棵树[1]：

1、用N来表示训练用例(样本)的个数，M表示特征数目。

2、输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。

3、从N个训练用例(样本)中以有放回抽样的方式，取样N次，形成一个训练集(即bootstrap取样)，并用未抽到的用例(样本)作预测，评估其误差。

4、对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。

5、每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用)。

创建模块24，用于根据所述目标特征值，创建分类识别模型。

具体的，根据上述实施例中获取的图像数据的特征值参数，创建分类识别模型，根据模型自定义参数中的config配置，来进行模型输入量和输出量的限定，通过若干组图像数据特征值来对该模型进行训练，使该模型达到一个成熟可用的模型结果。

可选的，所述系统还包括：验证模块，用于根据预设特征值，验证所述分类识别模型是否创建完毕。

具体的，在创建了模型之后，需要采集一组预设特征值的数据进行模型验证，以验证该创建的模型是否符合将浮游生物进行分类识别的效果。其中，预设特征值可以是从原始图像数据中采集出来的新的特征值，也可以是用户根据实际模型需要和要求预先设置于处理器中的特征值。具体采用哪种验证方式，在此处不进行限定。

识别模块26，用于根据所述分类识别模型，识别浮游生物的类别。

可选的，所述识别模块包括：输入单元，用于将所述目标图像数据输入到所述分类识别模型中；分类单元，用于根据所述分类识别模型和所述目标图像数据，得到浮游生物分类识别结果。

具体的，当创建好分类识别模型之后，根据用户的实际应用需要，将目标图像数据输入到创建好的分类识别模型中，并利用该模型的功能以及目标图像数据的特征值等信息，获得最终浮游生物分类识别结果。

通过上述步骤，可以实现通过创建分类识别模型，对水下浮游生物进行分类识别。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。