海洋中的微型藻類是一種原始的海洋浮游植物,人們簡略的把它稱作海洋微藻,其不僅是海洋生態(tài)系統(tǒng)中的主要海洋生物資源,同時也是重要的初級生產(chǎn)者。很多種類的海洋微藻都有比較可觀的經(jīng)濟價值,在對海洋微藻進行研究過程中,首先就是需要對海洋微藻進行檢測。本文利用數(shù)字圖像處理技術對海洋微藻進行自動識別并進行分類,首先研究了傳統(tǒng)識別方法對海洋微藻進行的分類識別,并對圖像二值化進行了改進,采用了自適應閾值的二值化方法。在檢測部分將Hu矩特征與余弦相似度進行融合,避免了目標對象的大小差異對檢測的影響。其次,通過對深度學習算法的研究,發(fā)現(xiàn)該算法在應用于海洋微藻識別方面較傳統(tǒng)算法有精確度高,為此,本文將遷移學習方法同yolov3算法進行了結合,通過實驗證明,海洋微藻訓練數(shù)據(jù)較少的情況下,該方法在海洋微藻識別方面具有較好的效果。同時,為了進一步提高識別率,減少計算量,本文基于深度可分離卷積算法的計算量小的特點,給出了基于深度可分離卷積的高斯yolov3算法,改進后的mAP提高了1.45%,FPS達到了42.35,提高了19.95。最后,本文設計了一套海洋微藻分類識別系統(tǒng),搭建了一套包括用戶管理模塊、用戶操作模塊、... 

【文章來源】：大連海洋大學遼寧省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

YOLOv1檢測流程

82.2基于深度學習方法的檢測技術在傳統(tǒng)的物體檢測過程中，有一個十分重要的問題就是特征的選擇，通常情況下是依靠一些經(jīng)驗去選擇相關特征，對于一種特定的識別物體設計一種特定的特征去識別，但是如果想對于多種目標進行識別時，則往往很難設計一種較好的手工特征，無法詳細的描述識別目標的變換，僅適用于單一的類別，遷移性較差。因此，大量的學者進行深入研究，隨著深度學習算法不斷的發(fā)展，基于深度學習的檢測技術出現(xiàn)，該方法很好的解決了傳統(tǒng)檢測算法的很多弊端，提高了物體檢測的性能。較早的就有相關科研工作者提出的OverFeat模型[46]，慢慢的不斷發(fā)展出現(xiàn)了很多優(yōu)秀的檢測算法。2.2.1YOLOv1原理。YOLO是具有很好檢測性能的一種算法，受到很多學者的研究。YOLOv1流程如圖2-2，首先，根據(jù)收集采樣的數(shù)據(jù)對YOLOv1進行學習訓練，之后會得到模型，只有獲得訓練好的模型之后才能對要處理的數(shù)據(jù)進行檢測[47]。然后，對于要處理檢測的數(shù)據(jù)進行劃分，將一整張圖像數(shù)據(jù)分為S×S個區(qū)域，在每一個不同的區(qū)域中分別進行預測，可以獲得B個隨機位置和大小的矩形框，與此同時也會得到這些不同的區(qū)域分別是某種類概率。最終，根據(jù)得到的概率進行相關操作獲得一個最終的評估得分，將評估得分同設定的閾值進行比較，當其大于設定的閾值時則為最后的檢測結果。圖2-2YOLOv1檢測流程Fig.2-2YOLOv1detectionprocess（1）YOLOv1的網(wǎng)絡結構如圖2-3所示：圖2-3YOLOv1網(wǎng)絡結構Fig.2-3YOLOv1networkstructure

閆涑嘰绱笮∥?×1×512，3×3×1024的重復兩次，還有尺寸大小為3×3×1024和3×3×1024-s-2的兩個，對于上一步處理后的圖像經(jīng)過該部分處理最終會得到大小為7×7×1024。第六個是由兩種不同維度共兩個卷積層構成的，對于卷積層其尺寸大小為3×3×1024和3×3×1024。第七個也是最后一個主要是由兩個節(jié)點數(shù)不同的全連接層構成，其分別為4096和30。（2）網(wǎng)絡訓練YOLOv1在對目標進行檢測之前需要先對模型進行訓練，其方法如下[48]：Step1：首先需要對輸入的訓練樣本進行標記處理，通常依靠標注軟件進行信息的標記，結果如圖2-4所示，然后將目標的相關基本信息保存為標簽文件。Step2：以一個數(shù)據(jù)為例，首先應該將數(shù)據(jù)圖像和它所對應的存有基本信息的標簽進行輸入，然后對數(shù)據(jù)圖像進行歸一化處理，經(jīng)處理后的數(shù)據(jù)圖像進行網(wǎng)格分割同時編號，每個大小為S×S，如圖2-5所示。圖2-4手動標記樣本示意圖Fig.2-4Manuallabelingdiagram

【參考文獻】：
期刊論文
[1]基于自適應幅度譜分析的顯著目標檢測[J]. 于芝濤,姬婷婷,程孝龍,趙紅苗,姬光榮,鄭海永.  中國海洋大學學報(自然科學版). 2017(07)
[2]基于形狀特征的葉片圖像識別算法比較研究[J]. 陳良宵,王斌.  計算機工程與應用. 2017(09)
[3]硅藻細胞顯微圖像骨架樹匹配方法研究[J]. 喬小燕.  系統(tǒng)仿真學報. 2015(10)
[4]赤潮藻類流式圖像自動分析算法的研究[J]. 謝杰鎮(zhèn),駱庭偉,戴君偉,王迪,高艷,冉升.  計算機科學. 2013(07)
[5]圖像分割算法的探究[J]. 郭麗偉.  沈陽師范大學學報(自然科學版). 2013(03)
[6]現(xiàn)代模式識別發(fā)展的研究與探索[J]. 霍桂利.  河北廣播電視大學學報. 2012(05)
[7]基于圖像處理技術的海洋微藻數(shù)量統(tǒng)計方法[J]. 郭顯久,張國勝,耿春云.  大連海洋大學學報. 2012(04)
[8]一種基于小波奇異值分解的仿生模式虹膜識別算法[J]. 翟懿奎,曾軍英.  電路與系統(tǒng)學報. 2012(02)
[9]傅里葉識別分析在赤潮生物自動識別中的應用研究[J]. 余肖翰,謝杰鎮(zhèn),鄭少平.  海洋湖沼通報. 2011(04)
[10]基于形狀特征的硅藻顯微圖像自動識別[J]. 駱巧琦,李雪松,梁君榮,陳長平,高亞輝.  廈門大學學報(自然科學版). 2011(04)

博士論文
[1]基于生物形態(tài)學的赤潮藻顯微圖像分割與特征提取研究[D]. 喬小燕.中國海洋大學 2010



本文編號：2952070