(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 202210822149.2 (22)申请日 2022.07.12 (71)申请人 河北华清 环境科技 集团股份有限公 司 地址 050000 河北省石家庄市裕华区富强 大街131号众创大厦23层 (72)发明人 何翊卿　张思祥　路凤祎　杨宗杰　 李世英　王飞　王立卫　苏广玉　 邢超　 (74)专利代理 机构 河北国维致远知识产权代理 有限公司 13137 专利代理师 秦春芳 (51)Int.Cl. G06V 20/69(2022.01) G06T 7/00(2017.01)G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) G06T 7/73(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 藻类检测方法、 装置及终端设备 (57)摘要 本申请适用 于目标检测和机器视觉技术领 域， 提供了藻类检测方法、 装置及终端设备， 该藻 类检测方法包括： 获取样本图片， 对样本图片中 的藻类进行标注； 对 标注后的样 本图片进行划分 得到数据集， 对数据集中的图像进行预处理， 得 到预处理后的数据集； 根据藻类检测要求与藻类 特征， 构建目标检测模型； 对目标检测模型参数 进行初始化， 针对目标检测模型， 设置训练流程 与超参数； 通过使用预处理后的数据集， 对目标 检测模型进行训练， 根据每个训练周期的结果评 估目标检测模型， 调整训练超参数， 更新目标检 测模型； 对目标检测模型进行参数压缩， 基于参 数压缩后的目标检测模型进行藻类检测。 本申请 操作过程简单方便， 适用环境广泛， 具有很高的 使用价值。 权利要求书2页 说明书13页 附图11页 CN 115187982 A 2022.10.14 CN 115187982 A 1.一种藻类 检测方法， 其特 征在于， 包括： 获取样本图片， 对所述样本图片中的藻类进行 标注； 对标注后的所述样本 图片进行划分得到数据集， 对所述数据集中的图像进行预处理， 得到预处 理后的数据集； 根据藻类 检测要求与藻类特 征， 构建目标检测模型； 对所述目标检测模型参数进行初始化， 针对所述目标检测模型， 设置训练流程与超参 数； 通过使用所述预处理后的数据集， 对所述目标检测模型进行训练， 根据每个训练周期 的结果评估所述目标检测模型， 调整所述训练超参数， 更新所述目标检测模型； 对所述目标检测模型进行参数压缩， 基于参数压缩后的目标检测模型进行藻类 检测。 2.如权利要求1所述的藻类检测方法， 其特征在于， 所述对所述样本图片中的藻类进行 标注， 包括： 对所述样本图片中的所有藻类进行分类， 得到藻类的分类信息； 通过使用标定 框， 框选出所述藻类的所在区域， 得到所述藻类的标定位置信息； 其中， 所述分类信息和标定位置信息为当前 所述样本图片的标签。 3.如权利要求2所述的藻类检测方法， 其特征在于， 所述对所述样本图片进行划分得到 数据集， 包括： 将所述样本图片与所述标签对应， 集 合得到所述数据集。 4.如权利要求1所述的藻类检测方法， 其特征在于， 所述目标检测模型包括骨干网络、 脖颈网络与头 部网络： 其中， 所述骨干网络用于特征提取， 根据 所述数据集， 得到从低到高三个不同层次的特 征图； 所述脖颈网络用于多尺度特征融合， 采用特征金字塔网络结合像素聚合网络结构， 其 中所述特征金字塔结构用于自顶向下传达强语义特征， 所述像素聚合结构用于自底而 下传 递强定位信息； 所述头部网络用于识别及定位， 将所述特征图进行解耦， 预测藻类所在的位置及其所 属的类别。 5.如权利要求1所述的藻类检测方法， 其特征在于， 所述对所述目标检测模型参数进行 初始化， 针对所述目标检测模型， 设置训练流 程与超参数， 包括： 通过迁移学习， 将经 过预训练的参数替换 所述目标检测模型的部分参数； 设置所述超参数， 为所述超参数 赋予初始值； 定义优化 函数与损失函数， 设置所述目标检测模型中用于更新的参数； 确定锚点的设置方式与筛 选策略。 6.如权利要求1所述的藻类检测方法， 其特征在于， 所述通过使用所述预处理后的数据 集， 对所述目标检测模型进行训练， 根据每个训练周期的结果评估所述目标检测模型， 调整 所述训练超参数， 更新所述目标检测模型， 包括： 向所述目标检测模型输入所述预处理后的数据集， 得到所述预处理后的数据集中样本 的预测结果， 通过计算二元交叉熵损失和距离交并比损失， 得到所述预测结果与真实结果 之间的差距， 根据所述差距通过反向传播 算法更新模型参数；权　利　要　求　书 1/2 页 2 CN 115187982 A 2对所述预测结果进行评估， 通过基于贝叶斯优化的自动调参方法， 得到更新后的超参 数。 7.如权利要求1所述的藻类检测方法， 其特征在于， 所述对所述目标检测模型进行参数 压缩， 包括： 通过参数裁 剪， 将所述目标检测模型内部 接近于0的权重置为0； 对相邻卷积层的权重进行聚类， 得到多个类， 对于所述多个类中的任一类， 使用该类的 均值替换该类的权 重； 将所述目标检测模型内部参数精度由32位 浮点数转为16位浮点数表示。 8.一种藻类 检测装置， 其特 征在于， 包括： 获取标注模块， 用于获取样本图片， 对所述样本图片中的藻类进行 标注； 划分模块， 用于对所述样本 图片进行划分得到数据集， 对所述数据集中的图像进行预 处理； 构建模块， 用于根据藻类 检测要求与藻类特 征， 构建目标检测模型； 初始化模块， 用于对所述目标检测模型参数进行初始化， 针对所述目标检测模型， 设置 训练流程与训练超参数； 训练评估模块， 用于通过使用所述数据集， 对所述目标检测模型进行训练， 根据每个训 练周期的结果评估所述目标检测模型， 调整所述训练超参数， 更新所述目标检测模型； 压缩模块， 用于对所述目标检测模型进行参数压缩， 基于参数压缩后的目标检测模型 进行藻类 检测。 9.一种终端设备， 包括存储器和 处理器， 所述存储器中存储有可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器调用并执行所述计算机程序时实现如权利要求 1至 7任一项所述的方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115187982 A 3