(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 202210729888.7 (22)申请日 2022.06.24 (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 10/80(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于NATS算法的生态生物 识别方法 (57)摘要 本发明公开了基于NATS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摄像机拍摄多个生 物图像； 提取该摄像机拍摄的至少一个连续图 像， 并进行存储； 选取待识别的连续图像， 通过 NATS将图像数据传递至计算机中； 计算机通过深 度学习目标检测算法对待识别的连续图像进行 目标检测； 收集历史生态生物特征图， 将收集的 历史生态 生物特征图进行分类， 并建立生物特征 数据库。 本发 明通过对大量无用的背景区域被除 去， 大大减小了对目标对象的检测处理区域， 从 而能够显著提高图像检测的速度和 效率， 同时， 通过NATS能够便于图像数据的稳定传输， 便于生 物识别的高效稳定 。 权利要求书1页 说明书3页 附图2页 CN 115205642 A 2022.10.18 CN 115205642 A 1.基于NATS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 环境中通过摄 像机拍摄多个生物图像； S2提取该摄像机拍摄的至少一个连续图像， 并进行存 储； S3选取待识别的连续图像， 通过NATS将图像数据传递至计算机中； S4计算机通过深度学习目标检测算法对待识别的连续图像进行目标检测； S41利用训练好的目标对象区域预测神经网络预测待检测图像中包含目标对象的区域 以作为待检测区域； S42通过backbo ne网络结构提取生物图像待检测区域的不同尺度的特 征图； S43通过FPN提出自上而下的连接方式， 将不同尺度的特征图信息进行融合， 得到融合 后的特征图； S5收集历史生态生物特征图， 将收集的历史生态生物特征图进行分类， 并建立生物特 征数据库； S6将融合后的特 征图与生物特 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NATS算法的生态生物识别方法， 其特征在于， 所述步骤 S41将包含重叠部 分的待检测区域进 行合并以生成合并后的待检测区域替换包含重叠部分 的待检测区域。 3.根据权利 要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤S4 之前使用高斯滤波器对待识别的连续图像进行平 滑处理， 得到平 滑图像。 4.根据权利要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤 S41通过背景相减法获得第一前景图像， 取得前景图像中的一饱和度， 并根据该饱和度的差 异消除该 前景图像中的一非特 征区块以获得包 含目标对象的区域图像。 5.根据权利要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤 S42特征提取时， 将生物图像分成多个局部区域， 对每个局部区域， 分别输入对应的卷积神 经网络的多层卷积层进 行特征提取； 其中， 所述卷积神经网络有多个， 每一卷积神经网络分 别对应一个局部区域。 6.根据权利 要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤S2 连续图像采用图像归一法和图像增强法对图像数据进行处 理。 7.根据权利 要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤S2 还采用混合滤波方法对连续图像做降噪处 理。 8.根据权利 要求1所述的基于NATS算法的生态生物识别方法， 其特征在于， 所述步骤S6 将识别成功结果进行发送并展示， 同时， 通过选自于警示信息、 警示灯号、 警示声音所组成 的群组， 来表示识别未成功的异常信号。权　利　要　求　书 1/1 页 2 CN 115205642 A 2基于NATS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NATS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， 数据传输不稳定， 且识别图像无用信息过多， 影响识别速度。 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NATS算法的生态生物识别方 法。 [0004]本发明提出的基于NATS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摄像机拍摄多个生物图 像； [0006]S2提取该摄像机拍摄的至少一个连续图像， 并进行存 储； [0007]S3选取待识别的连续图像， 通过NATS将图像数据传递至计算机中； [0008]S4计算机通过深度学习目标检测算法对待识别的连续图像进行目标检测； [0009]S41利用训练好的目标对象区域预测神经 网络预测待检测图像中包含目标对象的 区域以作为待检测区域； [0010]S42通过backbo ne网络结构提取生物图像待检测区域的不同尺度的特 征图； [0011]S43通过FPN提出自上而下的连接方式， 将不同尺度的特征图信息进行融合， 得到 融合后的特 征图； [0012]S5收集历史生态生物特征图， 将收集的历史生态生物特征图进行分类， 并建立生 物特征数据库； [0013]S6将融合后的特 征图与生物特 征数据库中的特 征数据进行对比识别。 [0014]优选的， 所述步骤S41将包含重叠部分的待检测区域进行合并以生成合并后的待 检测区域 替换包含重叠部分的待检测区域。 [0015]优选的， 所述步骤S4之前使用高斯滤波器对待识别的连续图像进行平滑处理， 得 到平滑图像。 [0016]优选的， 所述步骤S 41通过背景相减法获得第一前景图像， 取得前景图像中的一饱说　明　书 1/3 页 3 CN 115205642 A 3