海洋中的微型藻類是一種原始的海洋浮游植物,人們簡(jiǎn)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(shí)也是重要的初級(jí)生產(chǎn)者。很多種類的海洋微藻都有比較可觀的經(jīng)濟(jì)價(jià)值,在對(duì)海洋微藻進(jìn)行研究過(guò)程中,首先就是需要對(duì)海洋微藻進(jìn)行檢測(cè)。本文利用數(shù)字圖像處理技術(shù)對(duì)海洋微藻進(jìn)行自動(dòng)識(shí)別并進(jìn)行分類,首先研究了傳統(tǒng)識(shí)別方法對(duì)海洋微藻進(jìn)行的分類識(shí)別,并對(duì)圖像二值化進(jìn)行了改進(jìn),采用了自適應(yīng)閾值的二值化方法。在檢測(cè)部分將Hu矩特征與余弦相似度進(jìn)行融合,避免了目標(biāo)對(duì)象的大小差異對(duì)檢測(cè)的影響。其次,通過(guò)對(duì)深度學(xué)習(xí)算法的研究,發(fā)現(xiàn)該算法在應(yīng)用于海洋微藻識(shí)別方面較傳統(tǒng)算法有精確度高,為此,本文將遷移學(xué)習(xí)方法同yolov3算法進(jìn)行了結(jié)合,通過(guò)實(shí)驗(yàn)證明,海洋微藻訓(xùn)練數(shù)據(jù)較少的情況下,該方法在海洋微藻識(shí)別方面具有較好的效果。同時(shí),為了進(jìn)一步提高識(shí)別率,減少計(jì)算量,本文基于深度可分離卷積算法的計(jì)算量小的特點(diǎn),給出了基于深度可分離卷積的高斯yolov3算法,改進(jìn)后的mAP提高了1.45%,FPS達(dá)到了42.35,提高了19.95。最后,本文設(shè)計(jì)了一套海洋微藻分類識(shí)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(lái)源】：大連海洋大學(xué)遼寧省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

YOLOv1檢測(cè)流程

82.2基于深度學(xué)習(xí)方法的檢測(cè)技術(shù)在傳統(tǒng)的物體檢測(cè)過(guò)程中，有一個(gè)十分重要的問(wèn)題就是特征的選擇，通常情況下是依靠一些經(jīng)驗(yàn)去選擇相關(guān)特征，對(duì)于一種特定的識(shí)別物體設(shè)計(jì)一種特定的特征去識(shí)別，但是如果想對(duì)于多種目標(biāo)進(jìn)行識(shí)別時(shí)，則往往很難設(shè)計(jì)一種較好的手工特征，無(wú)法詳細(xì)的描述識(shí)別目標(biāo)的變換，僅適用于單一的類別，遷移性較差。因此，大量的學(xué)者進(jìn)行深入研究，隨著深度學(xué)習(xí)算法不斷的發(fā)展，基于深度學(xué)習(xí)的檢測(cè)技術(shù)出現(xiàn)，該方法很好的解決了傳統(tǒng)檢測(cè)算法的很多弊端，提高了物體檢測(cè)的性能。較早的就有相關(guān)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(cè)算法。2.2.1YOLOv1原理。YOLO是具有很好檢測(cè)性能的一種算法，受到很多學(xué)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(duì)YOLOv1進(jìn)行學(xué)習(xí)訓(xùn)練，之后會(huì)得到模型，只有獲得訓(xùn)練好的模型之后才能對(duì)要處理的數(shù)據(jù)進(jìn)行檢測(cè)[47]。然后，對(duì)于要處理檢測(cè)的數(shù)據(jù)進(jìn)行劃分，將一整張圖像數(shù)據(jù)分為S×S個(gè)區(qū)域，在每一個(gè)不同的區(qū)域中分別進(jìn)行預(yù)測(cè)，可以獲得B個(gè)隨機(jī)位置和大小的矩形框，與此同時(shí)也會(huì)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(jìn)行相關(guān)操作獲得一個(gè)最終的評(píng)估得分，將評(píng)估得分同設(shè)定的閾值進(jìn)行比較，當(dāng)其大于設(shè)定的閾值時(shí)則為最后的檢測(cè)結(jié)果。圖2-2YOLOv1檢測(cè)流程Fig.2-2YOLOv1detectionprocess（1）YOLOv1的網(wǎng)絡(luò)結(jié)構(gòu)如圖2-3所示：圖2-3YOLOv1網(wǎng)絡(luò)結(jié)構(gòu)Fig.2-3YOLOv1networkstructure

閆涑嘰绱笮∥?×1×512，3×3×1024的重復(fù)兩次，還有尺寸大小為3×3×1024和3×3×1024-s-2的兩個(gè)，對(duì)于上一步處理后的圖像經(jīng)過(guò)該部分處理最終會(huì)得到大小為7×7×1024。第六個(gè)是由兩種不同維度共兩個(gè)卷積層構(gòu)成的，對(duì)于卷積層其尺寸大小為3×3×1024和3×3×1024。第七個(gè)也是最后一個(gè)主要是由兩個(gè)節(jié)點(diǎn)數(shù)不同的全連接層構(gòu)成，其分別為4096和30。（2）網(wǎng)絡(luò)訓(xùn)練YOLOv1在對(duì)目標(biāo)進(jìn)行檢測(cè)之前需要先對(duì)模型進(jìn)行訓(xùn)練，其方法如下[48]：Step1：首先需要對(duì)輸入的訓(xùn)練樣本進(jìn)行標(biāo)記處理，通常依靠標(biāo)注軟件進(jìn)行信息的標(biāo)記，結(jié)果如圖2-4所示，然后將目標(biāo)的相關(guān)基本信息保存為標(biāo)簽文件。Step2：以一個(gè)數(shù)據(jù)為例，首先應(yīng)該將數(shù)據(jù)圖像和它所對(duì)應(yīng)的存有基本信息的標(biāo)簽進(jìn)行輸入，然后對(duì)數(shù)據(jù)圖像進(jìn)行歸一化處理，經(jīng)處理后的數(shù)據(jù)圖像進(jìn)行網(wǎng)格分割同時(shí)編號(hào)，每個(gè)大小為S×S，如圖2-5所示。圖2-4手動(dòng)標(biāo)記樣本示意圖Fig.2-4Manuallabelingdiagram

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

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



本文編號(hào)：2952070