(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 202210586342.0 (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 20/05(2022.01) G06V 10/82(2022.01) G06V 10/20(2022.01) G06V 10/25(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06N 3/04(2006.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 基于HKRM算法的生态生物 识别方法 (57)摘要 本发明公开了基于HKRM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通过采集器采集生物 图 像； 对待识别的生物图像进行预处理， 然后将预 处理后待识别的生物 图像及其对应的候选框送 入神经网络； 神经网络对生物图像进行处理， 在 训练过程中输出待识别生物 图像对应每一个类 别的概率数值， 在测试过程中输出待识别生物图 像预测的框的坐标、 类别、 得分； 选取处理后的生 物图像， 并通过H KRM算法进行图像分割处理得到 图像。 本发明运算速度快， 运算精度高， 通过H KRM 算法的设置， 减少了很多重复计算， 检测速度快， 提升了检测的准确度， 能够便于对生态生物的精 准识别， 进一 步提高了生物 识别率。 权利要求书1页 说明书3页 附图1页 CN 114863484 A 2022.08.05 CN 114863484 A 1.基于HKRM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 环境中通过采集器采集 生物图像； S2对待识别的生物图像进行预处理， 然后将预处理后待识别的生物图像及其对应的候 选框送入神经网络； S3神经网络对生物图像进行处理， 在训练过程中输出待识别生物图像对应每一个类别 的概率数值， 在测试 过程中输出待识别生物图像预测的框的坐标、 类别、 得分； S4选取处 理后的生物图像， 并通过HKRM算法进行图像分割处 理得到图像； S5对分割处 理得到图像进行 特征提取， 得到生物图像的特 征数据； S6将得到的生物图像特 征数据与生态特 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HKRM算法的生态生物识别方法， 其特征在于， 所述对待识 别的生物图像进行预 处理， 包括首先对生物图像进 行标准化处理， 再随机选择一个数值， 将 生物进行对应数值的缩放。 3.根据权利要求1所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述采集生 物图像进 行转换处理， 得到过渡域图像， 所述过渡域图像包括生物图像中的目标物体、 标注 信息以及背景信息 。 4.根据权利要求3所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述过渡域 图像以及生物图像输入 对抗学习模型中， 训练目标检测模型， 得到训练后的目标检测模型。 5.根据权利 要求1所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述步骤S5 通过目标检测模型中的卷积网络提取过渡特征中的待识别特征图,根据待识别特征图识别 所述过渡域图像中的标注信息以及目标物体的类别。 6.根据权利 要求1所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述步骤S5 特征提取包括一个卷积层和 一个最大池化层， 利用目标检测网络中的特征提取支路， 对待 检测图像进行浅层特 征提取， 得到待检测图像对应的浅层特 征图。 7.根据权利 要求1所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述步骤S1 对采集生物图像数据进行加密处理， 并将加密处理后的生物图像数据放入存储器中进 行存 储。 8.根据权利 要求1所述的基于HKRM算法的生态生物识别方法， 其特征在于， 所述步骤S9 生物图像特 征数据对比识别成功后， 发送 识别成功的提 示信息， 并展示。权　利　要　求　书 1/1 页 2 CN 114863484 A 2基于HKRM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 HKRM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。 水生生物的调查常用到生物识别技术， 现有的生物识别检测难 道大， 检测效率和精度不高。 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HKRM算法的生态生物识别方 法。 [0004]本发明提出的基于 HKRM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 环境中通过采集器采集 生物图像； [0006]S2对待识别的生物图像进行预处理， 然后将预处理后待识别的生物图像及其对应 的候选框送入神经网络； [0007]S3神经网络对生物图像进行处理， 在训练过程中输出待识别生物图像对应每一个 类别的概 率数值， 在测试 过程中输出待识别生物图像预测的框的坐标、 类别、 得分； [0008]S4选取处 理后的生物图像， 并通过HKRM算法进行图像分割处 理得到图像； [0009]S5对分割处 理得到图像进行 特征提取， 得到生物图像的特 征数据； [0010]S6将得到的生物图像特 征数据与生态特 征数据库中的特 征数据进行对比识别。 [0011]优选的， 所述对待识别的生物图像进行预处理， 包括首先对生物图像进行标准化 处理， 再随机 选择一个数值， 将生物进行对应数值的缩放。 [0012]优选的， 所述采集生物图像进行转换处理， 得到过渡域图像， 所述过渡域图像包括 生物图像中的目标物体、 标注信息以及背景信息 。 [0013]优选的， 所述过渡域图像以及生物图像输入对抗学习模型中， 训练目标检测模型， 得到训练后的目标检测模型。 [0014]优选的， 所述步骤S5通过目标检测模型中的卷积网络提取过渡特征中的待识别特 征图,根据待识别特 征图识别所述过渡域图像中的标注信息以及目标物体的类别。 [0015]优选的， 所述步骤S5特征提取包括一个卷积层和一个最大池化层， 利用目标检测 网络中的特征提取支路， 对待检测图像进行浅层特征提取， 得到待检测图像对应的浅层特 征图。 [0016]优选的， 所述步骤S1对采集生物图像数据进行加密处理， 并将加密处理后的生物说　明　书 1/3 页 3 CN 114863484 A 3