[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類方法

有效

• 申請?zhí)枺?/td>: 201810984130.1
• 申請日: 2018-08-28
• 公開（公告）號: CN109190695B
• 公開（公告）日: 2021-08-03
• 發(fā)明（設(shè)計）人: 鄭海永;邱晨晨;俞智斌
• 申請（專利權(quán)）人: 中國海洋大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 重慶敏創(chuàng)專利代理事務(wù)所(普通合伙) 50253
• 代理人: 陳千

本申請實施例提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類方法，涉及水下計算機視覺技術(shù)領(lǐng)域。該方法采集水下魚類圖像，構(gòu)建魚類圖像數(shù)據(jù)集；選取預訓練集ImageNet以及魚類數(shù)據(jù)集Fish4Knowledge；構(gòu)建基于B?CNNS的卷積神經(jīng)網(wǎng)絡(luò)模型，按樣本數(shù)量大小依次將所述三個數(shù)據(jù)集輸入到所述網(wǎng)絡(luò)模型中，通過訓練和迭代反饋，得到所述魚類圖像數(shù)據(jù)集中魚類圖像的類別標簽。該方法借助樣本量較少的數(shù)據(jù)集即可實現(xiàn)較為理想的魚類識別準確率，為魚類生態(tài)系統(tǒng)的進一步研究提供了基礎(chǔ)。

技術(shù)領(lǐng)域

本申請涉及水下計算機視覺技術(shù)領(lǐng)域，尤其涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類方法。

背景技術(shù)

魚類圖像分類對海洋生態(tài)系統(tǒng)研究特別是魚類生態(tài)系統(tǒng)具有重要意義。在魚類的棲息地中，用設(shè)備獲取魚類的大量清晰圖像具有一定困難。由于棲息地環(huán)境復雜，以及魚本身的保護色的原因，都制約了魚類圖像分類等技術(shù)的發(fā)展。

借助有限數(shù)量的魚類圖像數(shù)據(jù)集完成對魚類圖像的正確分類對于魚類生態(tài)系統(tǒng)的研究具有重要意義。然而，當前魚類圖像分類的方法較少，且往往需要較多的訓練樣本量。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N基于深度卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類方法，用于解決現(xiàn)有技術(shù)中魚類圖像分類方法少，且對數(shù)據(jù)集條件要求較高，無法達到較高的識別準確率等技術(shù)問題，該方法借助樣本量較少的數(shù)據(jù)集即可實現(xiàn)較為理想的魚類識別準確率，為魚類生態(tài)系統(tǒng)的進一步研究提供了基礎(chǔ)。

本申請實施例的第一方面提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類方法，包括如下步驟：

S1：采集水下魚類圖像，構(gòu)建魚類圖像數(shù)據(jù)集；

選取預訓練集ImageNet以及魚類數(shù)據(jù)集Fish4Knowledge；

S2：構(gòu)建基于B-CNNS的卷積神經(jīng)網(wǎng)絡(luò)模型，按樣本數(shù)量大小依次將所述三個數(shù)據(jù)集輸入到所述網(wǎng)絡(luò)模型中，通過訓練和迭代反饋，得到所述魚類圖像數(shù)據(jù)集中魚類圖像的類別標簽。

進一步地，步驟S2具體包括：

S21：將所述預訓練集ImageNet輸入到所述網(wǎng)絡(luò)模型中訓練直至收斂，取點最后的全連接層；

S22：將所述魚類數(shù)據(jù)集Fish4Knowledge輸入到步驟S21訓練后的網(wǎng)絡(luò)模型中繼續(xù)訓練直至收斂；

S23：將所述魚類圖像數(shù)據(jù)集輸入到步驟S22訓練后的網(wǎng)絡(luò)模型中對網(wǎng)絡(luò)參數(shù)進行微調(diào)。

進一步地，所述網(wǎng)絡(luò)模型包括優(yōu)化后的數(shù)據(jù)增強單元以及網(wǎng)絡(luò)結(jié)構(gòu)單元，即將步驟S1中所述三個數(shù)據(jù)集輸入到所述優(yōu)化后的數(shù)據(jù)增強單元得到數(shù)據(jù)增強后的魚類圖像測試集，將所述魚類圖像測試集輸入到所述網(wǎng)絡(luò)結(jié)構(gòu)單元，得到所述魚類圖像數(shù)據(jù)集中圖像的類別標簽。

進一步地，所述將步驟S1中所述三個數(shù)據(jù)集輸入到所述優(yōu)化后的數(shù)據(jù)增強單元得到數(shù)據(jù)增強后的魚類圖像測試集，具體包括：首先將所述三個數(shù)據(jù)集中的每一幅圖像通過SRGAN網(wǎng)絡(luò)進行超分辨率重建，接著將所述重建后的圖像進行數(shù)據(jù)增強。

進一步地，所述數(shù)據(jù)增強包括翻折和\或旋轉(zhuǎn)。

進一步地，所述網(wǎng)絡(luò)結(jié)構(gòu)單元包括兩路相同的VGG網(wǎng)絡(luò)，所述將所述魚類圖像測試集輸入到所述網(wǎng)絡(luò)結(jié)構(gòu)單元，得到所述魚類圖像數(shù)據(jù)集中圖像的類別標簽，具體包括：

將所述魚類圖像測試集輸入到兩路VGG網(wǎng)絡(luò)中進行特征提取，之后將所述兩路VGG網(wǎng)絡(luò)提取到的特征進行雙線性池化得到雙線性向量，最后輸入softmax函數(shù)得到所述魚類圖像數(shù)據(jù)集中圖像的類別標簽。

進一步地，所述VGG網(wǎng)絡(luò)包括五組卷積層，其中，在前四組卷積層的后面插入優(yōu)化后的SE塊。

進一步地，所述優(yōu)化后的SE塊具體操作為：