基于殘差注意力網(wǎng)絡(luò)模型的浮游植物識別

項和雨,鄒 斌,唐 亮,陳維國,饒凱鋒,劉 勇,馬 梅,楊 艷

1 湖北大學(xué),數(shù)學(xué)與統(tǒng)計學(xué)學(xué)院,應(yīng)用數(shù)學(xué)湖北省重點實驗室,武漢 430062 2 無錫中科水質(zhì)環(huán)境技術(shù)有限公司,無錫 214024 3 北京工業(yè)大學(xué),北京現(xiàn)代制造業(yè)發(fā)展基地,北京 100124 4 中國科學(xué)院生態(tài)環(huán)境研究中心,環(huán)境模擬與污染控制國家重點聯(lián)合實驗室,北京 100085 5 中國科學(xué)院生態(tài)環(huán)境研究中心,中國科學(xué)院飲用水科學(xué)與技術(shù)重點實驗室,北京 100085 6 中國科學(xué)院大學(xué),資源與環(huán)境學(xué)院,北京 101407 7 武漢晴川學(xué)院,計算機學(xué)院,武漢 430204

浮游植物的定性定量檢測是水環(huán)境檢測的重要內(nèi)容之一,對浮游植物進(jìn)行快速準(zhǔn)確識別將有助于對水域環(huán)境的監(jiān)測、評價、開發(fā)和利用[1- 3]。特別地,當(dāng)水體富營養(yǎng)化引發(fā)浮游植物大量繁殖[4-6]尤其是藍(lán)藻水華泛濫[7-8],造成公共飲水威脅和巨大經(jīng)濟損失時[9],浮游植物的快速準(zhǔn)確識別愈漸凸顯其重要性。2017年無錫“供水危機”之后[10-11],國家、省市投入了大量的財力進(jìn)行太湖綜合整治。在藍(lán)藻打撈、控源截污、生態(tài)清撤、引江濟太等一系列措施下,太湖營養(yǎng)鹽的控制取得了顯著的成效,水質(zhì)出現(xiàn)明顯的改善[12]。盡管太湖水質(zhì)的不斷持續(xù)改善,但是太湖藍(lán)藻水華每年仍然如期而至,個別年份暴發(fā)的面積和頻次甚至出現(xiàn)反復(fù)。2019年2月20日生態(tài)環(huán)境部,就重點湖庫水質(zhì)及藍(lán)藻水華監(jiān)測發(fā)文《關(guān)于做好2019年重點湖庫藍(lán)藻水華防控工作的通知》,提出2019年1月至5月全國大部分地區(qū)氣溫較常年同期偏高,要求保障飲用水安全,各地應(yīng)積極采取相關(guān)措施防控湖庫藍(lán)藻水華災(zāi)害。因此,浮游植物監(jiān)測是一項非常重要而緊迫的工作。長期、有效的浮游植物監(jiān)測數(shù)據(jù)積累是揭示富營養(yǎng)化機理和藍(lán)藻水華暴發(fā)機制的基礎(chǔ)工作,也是防控藻類水華的重要數(shù)據(jù)支撐。浮游植物生長在復(fù)雜的水生環(huán)境中,種類繁多且形態(tài)不一,準(zhǔn)確而高效地識別水體中的浮游植物是監(jiān)測工作中的重大挑戰(zhàn)。

當(dāng)前浮游植物識別方法主要分為三類[13-14]:(1)人工分類,即專家借助顯微鏡對浮游植物樣本進(jìn)行識別。這種方法最基本最方便,但耗時耗力,識別者往往需要經(jīng)過專門的訓(xùn)練。(2)分子標(biāo)記,基于浮游植物特征性化學(xué)組成成分或DNA等遺傳物質(zhì)[15]進(jìn)行分類,如分光光譜法、熒光光譜法、液相色譜法、流式細(xì)胞儀法[16]和分子探針技術(shù)等。這些方法較為可靠,但需要昂貴的儀器和精細(xì)的操作,難以推廣。(3)利用圖像處理與模式識別技術(shù)分類。盡管人工分類是基于形態(tài)學(xué)的經(jīng)典方法,應(yīng)用最為廣泛,但是隨著浮游植物監(jiān)測要求的不斷提高,尤其是監(jiān)測頻次的不斷增加,這種“高要求”和“人力成本”之間的矛盾愈加凸顯。因此,自動化監(jiān)測作為人工監(jiān)測的輔助手段被認(rèn)為是未來浮游植物監(jiān)測的一個重要研究方向。

利用浮游植物圖像進(jìn)行自動化識別已有很多嘗試[17],是實現(xiàn)浮游植物識別自動化的重要途徑。經(jīng)典的圖像識別方法包含圖像的預(yù)處理、圖像分割、特征提取和圖像分類四個步驟。例如,Stefan等[18]提取傅里葉描述子和矩不變量等47種特征,利用判別分析方法對藍(lán)綠藻進(jìn)行自動識別；Luo等[19]通過傅里葉頻譜特征得到特征向量,利用BP神經(jīng)網(wǎng)絡(luò)對圓形硅藻進(jìn)行自動分類；Mansoor等[20]利用圖像處理技術(shù)和多重感知機前饋人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)了四種藍(lán)藻的自動識別；Walker等[21]應(yīng)用貝葉斯決策函數(shù)和熒光輔助圖像對湖中兩種主要浮游植物進(jìn)行分類。這些方法的弊端在于需要利用傳統(tǒng)的圖像分割算法來輔助浮游植物定位,并且需要手工設(shè)計特征。面對不同的圖像識別任務(wù),需要先設(shè)計不同的圖像分割算法和特征提取算法,這難以滿足現(xiàn)場快速自動測量的要求。深度學(xué)習(xí)方法克服了這些缺點,得益于精心設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu),深度卷積神經(jīng)網(wǎng)絡(luò)可以自動學(xué)習(xí)圖像的表征,端到端的輸出分類結(jié)果,兼顧準(zhǔn)確率、效率且易于擴展。

目前,利用深度學(xué)習(xí)方法進(jìn)行浮游植物識別的研究較少,萬永清等[22]基于深度學(xué)習(xí)框架Caffe對三種藻類進(jìn)行識別,雖達(dá)到100%的識別率,但識別種類較少,而且未詳細(xì)描述數(shù)據(jù)集以及所用神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù)。本文以太湖的11種優(yōu)勢屬為研究對象,基于深度學(xué)習(xí)中的殘差注意力網(wǎng)絡(luò)模型[23],提出一種新的深度卷積神經(jīng)網(wǎng)絡(luò)RAN- 11,并搭建出易推廣的浮游植物自動化識別系統(tǒng),對于提高浮游植物識別準(zhǔn)確率和效率具有重要意義。該系統(tǒng)有助于自動化、快速識別水體中的常見浮游植物種類和數(shù)量,對于實現(xiàn)水體中浮游植物的自動化監(jiān)測具有重要價值。

1 材料與方法

1.1 浮游植物圖像獲取

本研究組在太湖多個試點收集水樣,然后利用自主研發(fā)的數(shù)字圖像自動采集系統(tǒng)采集了多批浮游植物圖像。最后,考慮到浮游植物種類的復(fù)雜性和樣本數(shù)量的不均衡性,僅標(biāo)注了太湖水體中的優(yōu)勢屬,包括微囊藻,游絲藻,溝鏈藻,長孢藻,裸藻,盤星藻,轉(zhuǎn)板藻,針桿藻,星桿藻,浮絲藻和柵藻共計11個屬(圖1)。

1.2 圖像預(yù)處理和計算平臺搭建

浮游植物的顯微鏡圖像像素高、尺寸大,且在拍攝過程中氣泡、雜質(zhì)、相互遮擋等因素會造成圖像清晰度和辨識度難以達(dá)到算法識別的標(biāo)準(zhǔn)。為了能夠更好地對浮游植物進(jìn)行標(biāo)注及算法識別,本研究組開發(fā)了一套可以快速對超大圖像進(jìn)行切割的工具軟件,該工具可將2cm×2cm區(qū)域中的72000×72000像素的超大圖像切割為邊長7200的矩形圖像。專家對切割后的11種浮游植物交叉標(biāo)注,截取邊長在200- 260nm的浮游植物圖像共計1036張,按照等比例縮放成分辨率為224×224的PNG格式圖片,最后按3∶1∶1的比例將1036張圖像隨機分為訓(xùn)練集、驗證集和測試集。

本文采用深度學(xué)習(xí)框架Pytorch搭建網(wǎng)絡(luò),在一臺Win10工作站上進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測試。該工作站配備Intel(R) Xeon(R) Platinum 8268 CPU 和NVIDIA Quadro GV100 GPU,主頻2.90GHz,顯存32G。

圖1 浮游植物掃描圖Fig.1 Microphotography of dominant phytoplankton in Lake Taihu (Automatic light scanning system)

1.3 經(jīng)典圖像分類模型概要

近年來,圖像分類方法多側(cè)重于學(xué)習(xí)特征表達(dá)[24],代表是詞包模型(Bags of Words,BoW)[25]和深度學(xué)習(xí)模型。其中詞包模型在2005- 2012年期間表現(xiàn)優(yōu)異,多次斬獲PASCAL VOC分類競賽冠軍。至2012年深度學(xué)習(xí)模型崛起,逐漸代替詞包模型成為圖像分類任務(wù)的主流方法,屢次刷新ImageNet大規(guī)模視覺識別競賽(ImageNet Large Scale Visual Recognition Challenge, ILSVRC)的最高記錄。

1.3.1詞包模型

詞包模型成熟于自然語言處理領(lǐng)域,主要通過計算文檔中單詞出現(xiàn)的頻率來對文檔進(jìn)行表達(dá)和描述。在圖像處理的分類問題中,詞包模型將每個圖像的局部特征看成一個視覺單詞,形成詞包進(jìn)行分類,其基本流程如下:

(1)底層特征提取。對每一張圖像提取特征,如SIFT特征或SURF特征；

(2)構(gòu)建碼本。使用K-means算法對提取的特征聚類,用聚類中心構(gòu)建視覺碼本；

(3)特征匯聚。利用視覺碼本對圖像特征編碼,獲取圖像的詞包作為新的特征描述；

(4)使用分類器對詞包進(jìn)行分類,如邏輯斯蒂回歸分類器或支持向量機。

1.3.2殘差注意力網(wǎng)絡(luò)

He等[26]通過實驗猜測,深的網(wǎng)絡(luò)的求解器很難去利用多層網(wǎng)絡(luò)擬合恒同映射g(x)=x,因而在網(wǎng)絡(luò)層數(shù)加深時難以求解目標(biāo)函數(shù)H(x)。為此,He開創(chuàng)性地在卷積層之間加入快捷連接(即在主分支外另起一個分支,兩個分支的輸入皆為x,輸出相加),執(zhí)行恒同映射,形成殘差塊。這樣,原本求H(x)的問題,憑借快捷連接轉(zhuǎn)化為求解另一個函數(shù)F(x)=H(x)-x的問題?？梢园l(fā)現(xiàn),在恒同映射恰為目標(biāo)函數(shù)H(x)的極端情形下,殘差塊完全避免了擬合恒同映射這一難題。由殘差塊堆積而成的深度殘差網(wǎng)絡(luò)(ResNet)[26]因為足夠深并且容易優(yōu)化,在ILSVRC 2015中獲得了圖像分類任務(wù)的冠軍。

人類的視覺注意力機制是通過向目標(biāo)區(qū)域投入更多注意力資源,以獲取更多所關(guān)注目標(biāo)的細(xì)節(jié)信息而抑制其他無用信息。注意力機制可以通過加權(quán)來實現(xiàn)。Wang等[23]通過不同的注意力模塊來學(xué)習(xí)針對其特性而專門化的注意力,即令Hi,c(x)=(1+Mi,c(x))×Fi,c(x),其中,Fi,c(x)代表圖像的特征圖的第i個位置第c個通道的特征值,Mi,c(x)∈[0,1]代表該特征值的權(quán)重,Hi,c(x)為納入了注意力機制的特征輸出。由此構(gòu)建的殘差注意力網(wǎng)絡(luò)Attention- 56和Attention- 92[23]在三種基準(zhǔn)數(shù)據(jù)集上取得了優(yōu)異的識別效果。

1.4 構(gòu)建新網(wǎng)絡(luò)

Wang等[23]把自底向上、自上而下的前饋結(jié)構(gòu)(軟掩模分支)作為注意力模塊的一部分,以改變特征上的權(quán)重,形成越來越精細(xì)的注意力。在該模型中先下采樣再上采樣確保了特征矩陣和權(quán)重矩陣的維度一致可以逐點相乘,改變快捷連接的個數(shù)和輸出尺寸確保各個模塊的注意力的精細(xì)程度不同,由此奠定了殘差注意力網(wǎng)絡(luò)的基礎(chǔ)。

考慮到Leaky ReLU激活函數(shù)[27]在輸入為負(fù)時仍舊可以產(chǎn)生非零的激活值,從而能促進(jìn)反向傳播過程中網(wǎng)絡(luò)參數(shù)的更新,使網(wǎng)絡(luò)收斂更快,因此本文使用Leaky ReLU激活函數(shù)代替ReLU激活函數(shù)。進(jìn)一步地,為獲取更好的圖像表征,本文對淺層特征降采樣后與深層特征按通道拼接,并用大步長卷積層代替池化層。但這些改變會增加網(wǎng)絡(luò)的計算負(fù)擔(dān)。因此,本文通過消融實驗改變注意力模塊和殘差塊的個數(shù),并大幅調(diào)整相應(yīng)的通道數(shù)以適應(yīng)特征變換,由此形成卷積神經(jīng)網(wǎng)絡(luò)RAN- 11。RAN- 11為residual attention network- 11的縮寫,其中“11”表示該網(wǎng)絡(luò)主要由表1中的11種模塊組成。

表1 RAN- 11的網(wǎng)絡(luò)參數(shù)

圖2 殘差塊Fig.2 Residual block

1.4.1構(gòu)建殘差塊

殘差塊由主分支和快捷連接組成,如圖2。其中主分支由3層卷積層串聯(lián)組成,每個卷積層都會配備一個批量歸一化層和一個激活函數(shù)層,其順序為:批量歸一化層-Leaky ReLU激活函數(shù)層-卷積層。殘差注意力網(wǎng)絡(luò)模型與ResNet所采用的恒等映射不同,在殘差注意力網(wǎng)絡(luò)模型的快捷連接中包含額外的卷積塊,該卷積塊的輸入與主分支的輸入相同,其輸出則與主分支的輸出相加后前向傳播。

1.4.2構(gòu)建注意力模塊

根據(jù)軟掩模分支中快捷連接的個數(shù)差異可將注意力模塊分為A1、A2和A3三類,如圖3(網(wǎng)絡(luò)層以大寫英文字母標(biāo)識,“I”代表上采樣層,“S”代表Sigmoid激活層,“x”和“+”分別代表逐點相乘和逐點相加,其余縮寫見表1)。以A1為例,輸入之后的第一個模塊和輸出之前的最后一個模塊均為殘差塊,二者中間是主分支和軟掩模分支。主分支由兩個殘差塊串聯(lián)組成；軟掩模分支主要包含三對“下采樣層-上采樣層”和兩個快捷連接,快捷連接的起點前和終點后皆為殘差塊。A2、A3的結(jié)構(gòu)與A1類似,兩個分支的輸出的乘積與主分支的輸出之和作為最后一個殘差塊的輸入向前傳播。

圖3 注意力模塊Fig.3 Attention modules

1.4.3構(gòu)建RAN- 11

RAN- 11包含1個A1模塊、1個A2模塊和2個A3模塊,注意力模塊個數(shù)多于Attention- 56但少于Attention- 92,其網(wǎng)絡(luò)結(jié)構(gòu)見圖4。RAN- 11主要借助調(diào)整殘差塊參數(shù)對特征圖進(jìn)行維度變換。此外,對恰好位于注意力模塊之后的殘差塊,其輸出會與恰好位于注意力模塊之前的殘差塊的輸出,按通道拼接后再前向傳播。

圖4 RAN- 11的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of RAN- 11

2 結(jié)果

對RAN- 11、Attention- 56[23]、Attention- 92[23]、DenseNet- 161[28]、BoW[25]五種模型在相同的計算環(huán)境下進(jìn)行對比實驗,實驗結(jié)果見表2。表2中的評價指標(biāo)分為三部分:(1)模型對單一浮游植物類別的查準(zhǔn)率[29]；(2)浮游植物的隨機測試Top-k準(zhǔn)確率。模型評價中常用的準(zhǔn)確率指標(biāo)即指Top- 1準(zhǔn)確率,表示預(yù)測正確的樣本數(shù)量在總樣本數(shù)量中的占比。Top-k準(zhǔn)確率相較于Top- 1準(zhǔn)確率擴大了誤差容忍程度,對某一樣本,只要在預(yù)測概率為Top-k的類別中包含樣本的正確類別,就認(rèn)為該樣本預(yù)測正確；(3)模型的推理速率,即該模型平均每秒可以處理多少幀圖像。

由表2知,本文提出的算法RAN- 11在除星桿藻外其余種類的查準(zhǔn)率都在90%以上,而在其他模型中,查準(zhǔn)率在90%以下的類別的數(shù)目均不少于兩類。同時,RAN- 11是取得100%查準(zhǔn)率的類別的數(shù)目最多的算法,為5種。從總體來看,RAN- 11的Top- 1、Top- 2和Top- 3準(zhǔn)確率均是五種算法中最高的,分別為95.67%、98.56%和100%。最后從推理速率來評估,由于深度神經(jīng)網(wǎng)絡(luò)普遍具有海量參數(shù),盡管使用GPU加速,其速率還是慢于經(jīng)典的詞包模型。以此為代價,深度神經(jīng)網(wǎng)絡(luò)的Top-k準(zhǔn)確率遠(yuǎn)高于詞包模型,Top- 1準(zhǔn)確率普遍比詞包模型高10個百分點以上。同時,RAN- 11的推理速率為41.5 fps,是幾種深度學(xué)習(xí)模型中表現(xiàn)最好的。僅從殘差注意力網(wǎng)絡(luò)模型的角度來看,Attention- 92通過增加注意力模塊的個數(shù)在取得優(yōu)于Attention- 56的準(zhǔn)確率的同時,卻犧牲了推理速率,幀速從41.2 fps下降到23.6 fps。RAN- 11在適當(dāng)增加注意力模塊個數(shù)的同時引入多尺度特征和Leaky ReLU激活函數(shù),使得準(zhǔn)確率和推理速率都獲得提升,特別是準(zhǔn)確率相較于Attention- 56提升近一個百分點。

表2 RAN- 11和其他模型的對比實驗

在評估算法結(jié)果的同時,本文對表2中4種深度學(xué)習(xí)算法的訓(xùn)練過程進(jìn)行可視化分析。深度學(xué)習(xí)實驗中常用回合(Epoch)表示訓(xùn)練集中全部樣本完成一次前向傳播和一次反向傳播的過程,用批量尺寸(Batch size)表示神經(jīng)網(wǎng)絡(luò)每次梯度更新所處理的樣本數(shù),稱神經(jīng)網(wǎng)絡(luò)每處理完一個批量的樣本為一次迭代(Iteration)。回合數(shù)和批量通常決定了一個網(wǎng)絡(luò)要訓(xùn)練多久。本文將所有網(wǎng)絡(luò)的批量均設(shè)置為16,訓(xùn)練200個回合,并利用可視化工具TensorBoard記錄訓(xùn)練過程中訓(xùn)練集損失隨迭代次數(shù)、驗證集準(zhǔn)確率隨回合數(shù)的變化情況,以確保深度學(xué)習(xí)算法正常運行。特別地,由于記錄的損失數(shù)據(jù)波動較大不利于觀察比較,本文先用三次樣條插值來填充離散數(shù)據(jù)點,再利用移動平均濾波器對訓(xùn)練損失數(shù)據(jù)進(jìn)行平滑后處理。可視化結(jié)果見圖5和圖6。

圖5 損失變化曲線Fig.5 Variation of loss

圖6 準(zhǔn)確率變化曲線Fig.6 Variation of accuracy

由圖5和圖6知,訓(xùn)練損失在第3000—4000次迭代之間便已趨于穩(wěn)定,驗證集準(zhǔn)確率在第75—100個回合之間便已達(dá)到最高,這與現(xiàn)有參數(shù)設(shè)置下一個回合包含約40次迭代相一致。綜合損失和準(zhǔn)確率變化可知,模型在訓(xùn)練達(dá)100個回合時便可以停止更新,此時模型的準(zhǔn)確率趨于穩(wěn)定,而訓(xùn)練時間可以壓縮掉1/2,這有利于進(jìn)行網(wǎng)絡(luò)調(diào)參和模型快速迭代。此外,我們觀察到圖5中藍(lán)色曲線基本位于其他曲線下側(cè),圖6中藍(lán)色曲線基本位于其他曲線上側(cè)。這表明RAN- 11損失下降速率最快、準(zhǔn)確率上升速率最快,即算法收斂性好,這得益于我們采用了更好的激活函數(shù)Leaky ReLU來代替ReLU,使得即使激活函數(shù)的輸入值為負(fù)時神經(jīng)元仍然可以更新參數(shù)。

3 討論

對于大規(guī)模的浮游植物圖像識別任務(wù)而言,在模型的推理速率相差不是很大的情況下,識別準(zhǔn)確率即使提高1%也會帶來更大實際使用價值,因此RAN- 11對Attention56和Attention92的提升是非常有益的,但仍存在改進(jìn)空間。為進(jìn)一步提高識別效果,我們可以考慮從以下幾方面對現(xiàn)有算法進(jìn)行改進(jìn)。

表2中算法對星桿藻的最高查準(zhǔn)率為86.96%,其中RAN- 11算法對星桿藻的查準(zhǔn)率僅有82.61%。查看混淆矩陣[30]發(fā)現(xiàn),星桿藻查準(zhǔn)率低主要源于相對多的鉤鏈藻被誤識別。在部分訓(xùn)練集圖像中,破碎的星桿藻不再呈星狀,而是和鉤鏈藻一樣都呈現(xiàn)黃色和白色交錯的鏈狀,后者確實存在較大的被誤識別為星桿藻的可能性。在后續(xù)工作中,我們將針對性地引入圖像的顏色增強以豐富訓(xùn)練集的顏色變化,避免神經(jīng)網(wǎng)絡(luò)對這種黃白交錯的形態(tài)過度學(xué)習(xí),從而提升識別查準(zhǔn)率和總體準(zhǔn)確率。

相對于大型圖像識別任務(wù)而言,目前浮游植物的有標(biāo)注數(shù)據(jù)量還有待增加。浮游植物的顯微鏡圖像中存在大量的相互重疊、遮擋、模糊、物種數(shù)量不均勻等現(xiàn)象,導(dǎo)致參與訓(xùn)練的標(biāo)注圖片中某些浮游植物的可鑒別的數(shù)量特別稀少,不足以支撐深度學(xué)習(xí)的訓(xùn)練過程。另外,目前的模型是在有監(jiān)督的條件下進(jìn)行的,人工標(biāo)注的過程非常耗時耗力,因此后續(xù)可以考慮引入半監(jiān)督或者無監(jiān)督的深度學(xué)習(xí)方法,將大量的未標(biāo)注圖片中的有用信息加入到訓(xùn)練模型中,豐富樣本的種類和數(shù)量。

最后,在實際應(yīng)用中如何將識別過程系統(tǒng)化是一項重要的挑戰(zhàn)。實驗表明RAN- 11在浮游植物識別中取得具有競爭力的識別效果,因此可以基于RAN- 11構(gòu)建出一種浮游植物自動化識別系統(tǒng),如圖7。

圖7 浮游植物自動化識別系統(tǒng)Fig.7 Automatic phytoplankton identification system

該系統(tǒng)由三大模塊組成:(1)圖像獲取模塊。主要負(fù)責(zé)抽取試點收集水樣,并通過顯微鏡及圖像獲取裝置,獲取浮游植物顯微鏡圖像；(2)圖像預(yù)處理模塊。主要借助計算機軟件完成浮游植物圖像的切割、標(biāo)注等,形成可供網(wǎng)絡(luò)訓(xùn)練或測試的數(shù)據(jù)集。其中,如果目的是預(yù)測浮游植物類別則不需要標(biāo)注圖像。如果沒有權(quán)重則需要先標(biāo)注圖像并輸入RAN- 11訓(xùn)練；(3)圖像識別模塊。加載已訓(xùn)練的權(quán)重,對預(yù)處理的浮游植物圖像進(jìn)行快速自動分類。該系統(tǒng)不依賴于水域環(huán)境,不需要手工設(shè)計特征,加載已有權(quán)重文件和待測試的浮游植物樣本,便可以端到端的輸出識別結(jié)果,具有很好的推廣性。鑒于圖像預(yù)處理模塊的工作耗時占比大,尤其是圖像標(biāo)注,需要為每張圖片建立標(biāo)簽,在后續(xù)工作中,可利用模型推斷結(jié)果對數(shù)據(jù)集進(jìn)行預(yù)標(biāo)注后再進(jìn)行人工修正,提高浮游植物圖像的標(biāo)注效率,逐步完善該系統(tǒng)。

4 結(jié)論

本文以太湖浮游植物的11個優(yōu)勢屬為數(shù)據(jù)來源,提出了一種新的的殘差注意力網(wǎng)絡(luò)模型RAN- 11,可以以高準(zhǔn)確率快速識別浮游植物,并構(gòu)建了一種具有競爭力的浮游植物自動化識別系統(tǒng),得到以下結(jié)論:

(1)RAN- 11因其精心設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)可以取得比原殘差注意力網(wǎng)絡(luò)Attention- 56和Attention- 92更好的識別結(jié)果,在準(zhǔn)確率和速度上均優(yōu)于原算法。

(2)深度學(xué)習(xí)方法的識別效果遠(yuǎn)優(yōu)于傳統(tǒng)的以手工設(shè)計特征為主的圖像識別方法。雖然傳統(tǒng)方法如BoW計算量小、速度快,但難以彌補識別效果上的不足。

(3)基于深度學(xué)習(xí)的浮游植物識別方法,可以準(zhǔn)確而高效地對所關(guān)注的水體中的浮游植物進(jìn)行分類,極大地提高了水質(zhì)檢測的可靠性和易操作性,可有力促進(jìn)水質(zhì)監(jiān)測和保護。

(4)當(dāng)前深度學(xué)習(xí)方法在浮游植物識別領(lǐng)域的應(yīng)用較少,但具有廣闊的應(yīng)用前景。本文構(gòu)建的浮游植物圖像識別系統(tǒng),易于在實際應(yīng)用中推廣,對于實現(xiàn)水體中浮游植物的自動化監(jiān)測具有重要意義。