申请/专利权人:南开大学
申请日:2024-03-18
公开(公告)日:2024-05-17
公开(公告)号:CN117911793B
主分类号:G06V10/764
分类号:G06V10/764;G06N3/045;G06N3/0464;G06N3/0475;G06N3/08;G06V10/774;G06V10/80;G06V10/82
优先权:
专利状态码:有效-授权
法律状态:2024.05.17#授权;2024.05.07#实质审查的生效;2024.04.19#公开
摘要:本发明涉及海洋生物检测技术领域,具体为基于深度学习的海洋生物智能检测方法。本发明中,从公共数据库中收集不同的海洋生物图像数据,海洋生物图像数据包括不同的种类、环境和角度的图像数据,并接收用户发送的待检测的海洋生物图像数据,利用卷积神经网络算法根据不同的海洋生物图像数据进行模型的构建,构建好的模型对待检测的海洋生物图像数据进行海洋生物种类和预测概率的检测,利用生成对抗网络算法根据不同的海洋生物图像数据进行模型的构建,构建好的模型对待检测的海洋生物图像数据进行海洋生物种类和预测概率的检测,比较卷积神经网络算法和生成对抗网络算法检测结果,根据检测结果的一致性来确定最终结果以及优化处理。
主权项:1.一种基于深度学习的海洋生物智能检测方法,其特征在于,其方法步骤如下:S1、从公共数据库中收集不同的海洋生物图像数据,海洋生物图像数据包括不同的种类、环境和角度的图像数据,并接收用户发送的待检测的海洋生物图像数据;S2、利用卷积神经网络算法根据不同的海洋生物图像数据进行模型的构建,构建好的模型对待检测的海洋生物图像数据进行海洋生物种类和预测概率的检测;S3、利用生成对抗网络算法根据不同的海洋生物图像数据进行模型的构建,构建好的模型对待检测的海洋生物图像数据进行海洋生物种类和预测概率的检测;S4、比较卷积神经网络算法和生成对抗网络算法检测结果中的海洋生物种类,比较一致,确定最终的海洋生物种类;比较不一致,选择两者检测结果中预测概率高的一方,确定最终的海洋生物种类,另外,若两者预测概率相同,则分别对卷积神经网络算法模型和生成对抗网络算法模型进行优化处理,对于卷积神经网络算法模型,通过增加卷积层进行优化,对于生成对抗网络算法模型,通过增加判别器训练次数进行优化;优化处理之后,再次进行使用之前比对的逻辑来确定最终的海洋生物分类结果,不停迭代,直到确定最终结果。
全文数据:
权利要求:
百度查询: 南开大学 基于深度学习的海洋生物智能检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。