(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 202210425112.6 (22)申请日 2022.04.21 (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 40/10(2022.01) G06F 16/55(2019.01) G06F 16/58(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06V 10/82(2022.01) G06V 10/74(2022.01) (54)发明名称 基于Relation-Network算法的生态生物识 别方法 (57)摘要 本发明公开了基于Relation ‑Network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 境中采集多个 生物图像； 对采集的生物图像数据进行优化求 精， 得到优化后的生物图像； 收集历史生态生物 图像， 将收集的历史生态生物图像进行分类， 并 建立生物图像 数据库； 通过Relation ‑Network算 法对采集的生物 图像和生物 图像数据库中的样 本进行对比匹配； 通过生物图像和样本之间的匹 配度进行生态生物的识别。 本发明通过设置 Relation ‑Network算 法， 通过构建神经网络来计 算两个样 本之间的距离从而分析匹配程度， 能够 有效的提高生物的识别率。 权利要求书1页 说明书3页 附图1页 CN 114743220 A 2022.07.12 CN 114743220 A 1.基于Relati on‑Network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 环境中采集多个生物图像； S2对采集的生物图像数据进行优化 求精， 得到优化后的生物图像； S3收集历史生态生物图像， 将收集的历史生态生物图像进行分类， 并建立生物图像数 据库； S4通过Relation ‑Network算法对采集的生物图像和生物图像数据库中的样本进行对 比匹配； S41首先， 选取任意 一个采集的生物图像， 同时， 随机 选取生物图像数据库中的样本； S42将选取的生物图像和样本交给 embedding层处理得到feature  map； S43然后把两个feature  map拼接在一起， 再交给关系网络处理， 并计算出关系得分， 通 过神经网络分析生物图像和样本之间的匹配度； S5通过生物图像和样本之间的匹配度进行生态生物的识别。 2.根据权利要求1所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述步骤S43关系网络是通过构建神经网络来计算两个样本之间的距离从而分析匹配 程度。 3.根据权利要求1所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述步骤S43计算出关系得分， 用公式可表示 为： ri， j＝gφ(C(fφ(xi)， fφ(xj)))， i＝1， 2， ...， 5 其中f表示embed ding网络， C表示 拼接操作， g表示关系网络 。 4.根据权利要求1所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述关系网络由两个模块组成， 一个是 embedding模块， 另一个是relati on模块。 5.根据权利要求1所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述步骤S43使用均方误差MSE作为损失函数， 将关系得分回归到ground  truth： 匹配的 相似性为1， 不匹配的相似性 为0。 6.根据权利要求4所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述embedding利用4个卷积块实现， 每个卷积块包含64个 filter大小为33， 使用batch   normalization和ReLU激活函数， 前两个block包含22的max  pooling操作， 后两个block不 需要。 7.根据权利要求4所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述relation模块由两个卷积块和两个全连接层组成， 每一个卷积块是64个filter大 小为33， 使用batchnormalization， ReLU激活函数， 22的max  pooling， 最后一个maxpooling 层输出大小在Omniglot中为64， 在miniImageNet中为6433＝576， 两个全连接层分别是8和 1， 所有全连接层的激活函数为ReLU， 除了最后一层全连接层是Sigmo id。 8.根据权利要求1所述的基于Relation ‑Network算法的生态生物识别方法， 其特征在 于， 所述步骤S1采集的生物图像通过对图像进行降维处 理， 降维处 理有效去除冗余信息 。权　利　要　求　书 1/1 页 2 CN 114743220 A 2基于Relation ‑Network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Relation ‑Network算法的生态生物 识别方法。 背景技术 [0002]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。 现有的水生生物调查一般通过生物识别进 行进行生物的识别， 然后， 现有的生物 识别技术特征匹配程度低， 生物 识别率不高。 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Relation ‑Network算法的生态 生物识别方法。 [0004]本发明提出的基于Relati on‑Network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 环境中采集多个生物图像； [0006]S2对采集的生物图像数据进行优化 求精， 得到优化后的生物图像； [0007]S3收集历史生态生物图像， 将收集的历史生态生物图像进行分类， 并建立生物图 像数据库； [0008]S4通过Relation ‑Network算法对采集的生物图像和生物图像数据库中的样本进 行对比匹配； [0009]S41首先， 选取任意一个采集的生物图像， 同时， 随机选取生物图像数据库中的样 本； [0010]S42将选取的生物图像和样本交给 embedding层处理得到feature  map； [0011]S43然后把两个feature  map拼接在一起， 再交给关系网络处理， 并计算出关系得 分， 通过神经网络分析生物图像和样本之间的匹配度； [0012]S5通过生物图像和样本之间的匹配度进行生态生物的识别。 [0013]优选的， 所述步骤S43关系网络是通过构建神经网络来计算两个样本之间的距离 从而分析匹配程度。 [0014]优选的， 所述 步骤S43计算出关系得分， 用公式可表示 为： [0015]ri， j＝gφ(C(fφ(xi)， fφ(xj)， i＝1， 2， ...， 5 [0016]其中f表示embed ding网络， C表示 拼接操作， g表示关系网络 。 [0017]优选的， 所述关系网络由两个模块组成， 一个是embedding模块， 另一个是 relation模块。 [0018]优选的， 所述步骤S43使用均方误差MSE作为损失函数， 将关系得分回归到ground  说　明　书 1/3 页 3 CN 114743220 A 3