视觉数据自动识别分析技术|海洋生物检测新方法

发布时间:2022-03-30
  近几十年来,海洋生物多样性的成像技术飞速前进。由于海洋生态的特殊性及复杂性,大量的图画或视频无法全部由人工处理,迫切需求识别相关内容、分类和符号的自主流程。所以,建立健全完善、散布广泛的监测网络是长久以来研讨者们关注的问题。这种网络能够提供足够的有效信息与变量,并且能准确描述所观测物种的生态动态。在本项研讨中,来自西班牙DeustoSistemasS.A.的VanesaLopez‐Vazquez教授及其团队提出了一种用于可视数据剖析的流水线,该流水线集成了视频/图画注释东西,用于通过视频/图画增强以及机器和深度学习方法来界说、培训和练习的数据集,从而获得海洋空间散布和时刻动态的综合信息。并且,研讨团队还将摄制于深度为260米海下的视频作为原型,对该流水线进行了测试。终,该研讨被宣布在期刊Sensors上。

  实验规划与施行:

  观测台选址与方针物种的数据收集

  洛韦海洋观测站坐落巴伦支海洛的福腾群岛 (挪威),于2013年建立。这个冰川海谷的深度为180至260米,从大陆坡向海岸由西北贯穿东南方向切开了大陆架。观测站的方位大约260米深,被两个100米高的海堤围住。这片区域海洋物种极其丰富,十分适合观测。

  该研讨由海底摄像机以60分钟为一个单位时刻间隔,收集各个物种的图画。在2017年至2019年总共进行了两次长时刻接连观测,共计372天,成像8818张。

  图画处理流水线规划

  由于洛韦观测台是在不受控制的自然环境下收集图画,其明显特征便是珊瑚丛的背景不均匀,其浑浊度与明暗变化使得检测物种的形状、颜色、巨细等外观因素变得十分困难,这成为提高检测数据精度的严峻阻碍。因而,研讨者们基于计算机视觉东西规划和开发了图画处理流水线。终,利用经典算法SVM(支持向量机算法)、K-NN(k近邻分类算法)、RF(随机森林算法)和DL(深度学习算法)对成果进行了处理与分类。

  数据剖析

  实验团队对一切以不同算法为根底的分类器准确性与学习速度进行了计算验证。参照传统的分类器数据,K-NN的体现十分一般,因为它简直未达到过0.6390的AUC(曲线下面积,用于描述精度)值。DT和RF-1的体现可圈可点,因为它们的AUC简直达到了70%。尽管线性SVM的AUC达到了0.7392,但其学习时刻长。只有RF-2在仅为8秒的学习时刻内获得了高的AUC值0.8210。

  但是与上述的经典算法比较,DL算法取得了更好的成果,8个网络获得的AUC值范围为80%-88%。且在以往的研讨中,DL算法都需求数十万样本事例才能完结学习阶段,但本研讨仅仅使用了39072张物种图画就获得了如此高精度的成果。

  结论

  本研讨的意图是规划海洋生物检测和分类的主动流程,得到的成果准确率为76.18%,AUC值为87.59%,因而达到了预期方针。

  本研讨证明了在未经探究的水下环境能够借助经典算法和DL(深度学习)技术进行剖析。此外,DL方法,如复杂神经网络,通过试验已经表明其十分适用于海洋生物的识别与分类,即使有些图画质量极低。这是海洋物种检测领域的一个重要进展。

  别的,研讨者以为未来的研讨能够环绕水下图画的改善进行,因为对图画质量的改善能够大大减少后期检测特征的作业,从而获得更精准的分类。

  

温馨提示:以上内容仅供参考,更多检测相关信息请咨询客服。

上一篇: 国家海洋环境预报中心发布海洋灾

下一篇: 联合国教科文组织:2030年前至少完