硅藻是一种具有硅质化细胞核的单细胞真核藻类,在淡水和海洋中分布广泛。硅藻对于环境十分敏感,在生态监控,矿物监测,生物制药等领域有着重要的地位。因此对硅藻的识别检测一个有意义的课题。本文结合当前主流的目标检测思想,设计了一种基于one-stage的硅藻检测网络模型,针对硅藻的特征从数据集以及网络结构进行优化,主要工作如下:1、在提升硅藻检测精确度方面,采用了数据集随机采样融合技术为增强硅藻数据集,通过增加隔行采样拼接结构以及针对硅藻特性设计残差结构来尽可能保留硅藻纹理信息。同时融合了路径聚合网络结构,让硅藻的纹理信息可以直接进入预测网络,使得检测网络更少得依赖硅藻形状特征,更多地学习纹理特征。2、在处理显微镜下硅藻堆叠问题,采用数据集图像叠加模拟堆叠情况的方式,将硅藻堆叠图像在数据集中的占比提升至10%。经验证有效提高了堆叠硅藻的识别精确率。同样在面对同种硅藻不同生命周期形态不同的问题时,采用随机数据集采样拼接方式将同种硅藻各生命周期的形态样本保持同一个数量级,此外结合了标准化硅藻数据以及空间金字塔技术,有效提升了小型硅藻的识别准确率。3、最后结合应用场景,使用了拆分组合图像的方式直接处理超大像素的显微镜下硅藻图片。本文提出了一种高效的预测框合并算法有效解决同目标的预测框分裂问题,可以在nlog(n)级别的时间复杂度一次性处理所有的预测框。最后通过使用偏心圆筛藻和楔形半盘藻等藻类数据集进行训练测试,将本文提出的硅藻检测网络与当前主流的YOLO(You Only Look Onc)系列,SSD(Single Shot Multi Box Detector),faster-RCNN等目标检测网络进行性能对比。本文提出的硅藻检测网络在实验平台上的成绩为m AP(0.5)93.7,处理单张图片时间为38ms。并且能够在41s内处理分辨率为22577×13498的显微镜下硅藻图片,方便相关研究者使用。
暂无评论