(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 202210685718.3 (22)申请日 2022.06.16 (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 20/05(2022.01) G06V 10/20(2022.01) G06V 10/25(2022.01) G06V 10/28(2022.01)G06V 10/40(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06Q 50/26(2012.01) (54)发明名称 基于TridentNet算法的生态生物 识别方法 (57)摘要 本发明公开了基于TridentNet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数 据； 对采集的生物图像数据进行除杂处理， 得到 处理后的生物图像数据； 通过TridentNet算 法对 处理后的生物图像进行目标检测； 收集生态生物 特征图， 将收集的生物特征图进行分类， 并建立 生物特征数据库； 选取融合后的待识别生物特征 图， 并将待识别生物特征与生物特征数据库中的 特征数据进行对比识别。 本发明通过设置 TridentNet算法， 能够使用三层图像金字塔， 得 到不同尺度的目标有不同的感受野， 提取的特征 全面， 能够便 于提高生物 识别率。 权利要求书1页 说明书3页 附图2页 CN 114998933 A 2022.09.02 CN 114998933 A 1.基于TridentNet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 生物图像数据； S2对采集的生物图像数据进行除杂处 理， 得到处 理后的生物图像数据； S3通过TridentNet算法对处 理后的生物图像进行目标检测； S31选取待识别的生物图像， 采用三层图像金字塔对生物图像进行分解； S32进行多分支特征提取： 对每一层金字塔图像， 分别检测不同尺寸的目标， 金字塔图 像越大， 检测的目标尺寸越小； S33将多分支进行融合： 合并不同分支提取的特 征图， 得到融合后的预测框； S34进行NMS后处 理： 对融合后的预测框做筛 选， 得到融合后的生物特 征图； S4收集生态生物特 征图， 将收集的生物特 征图进行分类， 并建立 生物特征数据库； S5选取融合后的待识别生物特征图， 并将待识别生物特征与生物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TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S32采用了di lated convolution得到不同感受野的特 征图。 3.根据权利要求1所述的基于TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S33三个分支的特 征最终需要 使用concate操作做融合， 用于预测输入图像的标签。 4.根据权利要求1所述的基于TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S3采用了单一图像作为输入， 且使用级联多分支学习输入图像的不同尺度的目标的特 征。 5.根据权利要求1所述的基于TridentNet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TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S2采集的生物图像通过对图像进行降维处理， 降维处理有效去除冗余信息， 提取有用 特征。 7.根据权利要求1所述的基于TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S3之前对图像进行 大小调整和裁 剪， 以消除图像背景效应， 对图像进行 灰度处理。 8.根据权利要求1所述的基于TridentNet算法的生态生物识别方法， 其特征在于， 所述 步骤S5将识别成功结果进行发送， 并将生态 环境的图像数据存 储至数据库中。权　利　要　求　书 1/1 页 2 CN 114998933 A 2基于TridentN et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TridentNet算法的生态生物识别方 法。 背景技术 [0002]水生物是判断河 水是否受到污染的有效参照物。 河水中不同化学物质的分布和浓 度， 将决定河中水生物的类型构成。 一些水生物在某种河流条件下可以繁殖很快， 在另一环 境下则可能死亡， 这是由河水中的不同成分决定的。 因此， 只要分析河流中水生物的类型构 成， 就可对某一河段中存在什么样的化学物质做出判断。 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。 然而， 现有的水生生 物图像识别时， 特 征提取的不够全面， 且识别率较低。 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TridentNet算法的生态生物识 别方法。 [0004]本发明提出的基于TridentNet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 生物图像数据； [0006]S2对采集的生物图像数据进行除杂处 理， 得到处 理后的生物图像数据； [0007]S3通过TridentNet算法对处 理后的生物图像进行目标检测； [0008]S31选取待识别的生物图像， 采用三层图像金字塔对生物图像进行分解； [0009]S32进行多分支特征提取： 对每一层金字塔图像， 分别检测不同尺寸的目标， 金字 塔图像越大， 检测的目标尺寸越小； [0010]S33将多分支进行融合： 合并不同分支提取的特 征图， 得到融合后的预测框； [0011]S34进行NMS后处 理： 对融合后的预测框做筛 选， 得到融合后的生物特 征图； [0012]S4收集生态生物特 征图， 将收集的生物特 征图进行分类， 并建立 生物特征数据库； [0013]S5选取融合后的待识别生物特征图， 并将待识别生物特征与生物特征数据库中的 特征数据进行对比识别。 [0014]优选的， 所述 步骤S32采用了di lated convolution得到不同感受野的特 征图。 [0015]优选的， 所述步骤S33三个分支的特征最终需要使用concate操作做融合， 用于预 测输入图像的标签。 [0016]优选的， 所述步骤S3采用了单一图像作为输入， 且使用级联多分支学习输入图像 的不同尺度的目标的特 征。 [0017]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颜色说　明　书 1/3 页 3 CN 114998933 A 3