藻类群体检测方法、装置、电子设备及存储介质与流程

本技术涉及数据处理，尤其涉及一种藻类群体检测方法、装置、电子设备及存储介质。

背景技术：

1、在黄河流域，水体富营养化呈发展趋势，藻类水华爆发现象严重，对水资源环境、水生态安全造成了严重威胁。为了掌握黄河流域藻类的生态情况，可以采用计算机对水体进行分析，实时检测水体中的藻类。

2、藻类多种多样，形态各异，特别是群体细胞，统计技术难度较大。很多浮游藻类群体由很多藻类子细胞首尾相接，因此，为了实现对藻类群体细胞的检测，可以对浮游藻类群体中子细胞进行检测。

3、现有的基于深度学习的检测方法包括：一种比较简单的方法是设定这些子细胞的长度，然后对检测出的群体细胞图像进行传统图像特征提取和藻类群体细胞群体曲线拟合，设定每种子细胞的群体长度，用曲线的长度除以子细胞的长度估测细胞的总量。还有一种是用传统的锚框神经网络检测，但是因为藻类的子细胞一般个体微小，如果直接使用普通的锚框神经网络进行检测，容易存在漏检等问题。综上，现有的基于深度学习的藻类群体检测方法普遍存在误差较大，准确率较低的问题。

技术实现思路

1、为了解决上述技术问题，本技术实施例提供了一种藻类群体检测方法、装置、电子设备及存储介质。

2、第一方面，本技术实施例提供了一种藻类群体检测方法，所述方法包括：

3、获取待检测图像，根据初步检测模型对所述待检测图像进行检测，其所述初步检测模型基于藻类群体样本和藻类个体样本进行训练得到；

4、输出初步检测结果，所述初步检测结果包括藻类群体框体信息、藻类个体第一框体信息集合和藻类个体第二框体信息集合；

5、对所述初步检测结果进行位置修正，得到修正检测结果，所述修正检测结果包括修正群体框体信息、修正个体第一框体信息集合和修正个体第二框体信息集合；

6、将所述修正群体框体信息分割为第一网格矩阵和第二网格矩阵；

7、获取所述修正个体第一框体信息集合在所述第一网格矩阵内的投影，得到第一投影数据；

8、对所述第一投影数据进行填充，得到填充投影数据；

9、获取所述修正个体第二框体信息集合在所述第二网格矩阵内的投影，得到第二投影数据；

10、将所述填充投影数据和所述第二投影数据取交集，得到第三投影数据；

11、将所述修正个体第二框体信息和所述第三投影数据取交集，得到第四投影数据；

12、对所述第四投影数据进行位置还原，得到最终检测结果。

13、在一实施方式中，所述藻类个体第一框体信息集合为置信度大于或等于第一置信度阈值的藻类个体框体信息的集合，所述藻类个体第二框体信息集合为置信度小于或等于第二置信度阈值的藻类个体框体信息的集合，其中，所述第一置信度大于所述第二置信度。

14、在一实施方式中，所述对所述初步检测结果进行位置修正，得到修正检测结果，包括：

15、判断所述藻类群体框体信息对应的框体位置是否水平；

16、若所述藻类群体框体信息对应的框体位置不水平，则将所述初步检测结果旋转至水平，得到所述修正群体框体信息；

17、获取所述藻类个体第一框体信息集合中的各框体的第一最小外接矩形，将所述第一最小外接矩形的集合确定为所述修正个体第一框体信息集合；

18、获取所述藻类个体第二框体信息集合中的各框体的第二最小外接矩形，将所述第二最小外接矩形的集合确定为所述修正个体第二框体信息集合。

19、在一实施方式中，所述将所述修正群体框体信息分割为第一网格矩阵和第二网格矩阵，包括：

20、获取所述修正个体第一框体信息集合中的全部框体的长边的第一平均值，将所述修正群体框体信息分割为多个边长为所述第一平均值的正方形网格，得到所述第一网格矩阵；

21、获取所述修正个体第二框体信息集合中的全部框体的长边的第二平均值，将所述修正群体框体信息分割为多个边长为所述第二平均值的正方形网格，得到所述第二网格矩阵。

22、在一实施方式中，所述获取所述修正个体第一框体信息集合在所述第一网格矩阵内的投影，得到第一投影数据，包括：

23、获取所述修正个体第一框体信息集合中的各框体与所述第一网格矩阵内的各网格的相交面积；

24、将相交面积最大的网格确定为所述框体对应的投影网格；

25、将全部所述投影网格的集合确定为所述第一投影数据。

26、在一实施方式中，所述对所述第一投影数据进行填充，得到填充投影数据，包括：

27、获取所述第一投影数据中与所述第一网格矩阵的边界距离最小的两个投影数据，并基于最短距离原则填充所述两个投影数据和所述第一网格矩阵的边界之间的网格，得到中间填充数据；

28、获取所述中间填充数据中的八连通子群体；

29、对所述八连通子群体所在的网格进行填充，使全部所述八连通子群体形成八连通，得到所述填充投影数据。

30、在一实施方式中，所述初步检测模型的每个检测窗口包括多个锚框。

31、第二方面，本技术实施例提供了一种藻类群体检测装置，所述藻类群体检测装置包括：

32、获取模块，用于获取待检测图像，根据初步检测模型对所述待检测图像进行检测，其所述初步检测模型基于藻类群体样本和藻类个体样本进行训练得到；

33、检测模块，用于输出初步检测结果，所述初步检测结果包括藻类群体框体信息、藻类个体第一框体信息集合和藻类个体第二框体信息集合；

34、修正模块，用于对所述初步检测结果进行位置修正，得到修正检测结果，所述修正检测结果包括修正群体框体信息、修正个体第一框体信息集合和修正个体第二框体信息集合；

35、分割模块，用于将所述修正群体框体信息分割为第一网格矩阵和第二网格矩阵；

36、第一投影模块，用于获取所述修正个体第一框体信息集合在所述第一网格矩阵内的投影，得到第一投影数据；

37、填充模块，用于对所述第一投影数据进行填充，得到填充投影数据；

38、第二投影模块，用于获取所述修正个体第二框体信息集合在所述第二网格矩阵内的投影，得到第二投影数据；

39、第一运算模块，用于将所述填充投影数据和所述第二投影数据取交集，得到第三投影数据；

40、第二运算模块，用于将所述修正个体第二框体信息和所述第三投影数据取交集，得到第四投影数据；

41、还原模块，用于对所述第四投影数据进行位置还原，得到最终检测结果。

42、第三方面，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的藻类群体检测方法。

43、第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的藻类群体检测方法。

44、上述本技术提供的藻类群体检测方法，拓展更多锚框以获取更强目标兼容性，同时通过划分高阈值集合和低阈值集合和投影网格，有效避免了对小目标的漏检，提高对藻类群体检测的准确度。不使用传统图像的处理方法以避免水体样本中泥沙等杂质的干扰，适用于多泥沙的黄河等水体藻类检测。