[發明專利]基于仿生海鰻的海洋牧場漁業資源養護效果評價方法

在審

• 申請號: 202010323948.6
• 申請日: 2020-04-23
• 公開（公告）號: CN111406693A
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 劉必林;孔祥洪;陳新軍;孫翁杰
• 申請（專利權）人: 上海海洋大學
• 主分類號: A01K61/95
• 分類號: A01K61/95;G06N3/04;G06K9/00;G06K9/62
• 代理公司: 上海申浩律師事務所 31280
• 代理人: 張潔

1.基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，該方法包括：

步驟S110：通過仿生海鰻獲取海洋牧場中魚類的圖像信息及環境信息；

步驟S120：根據所述魚類的圖像信息，通過訓練樣本構建神經網絡模型對獲取的圖像信息中的魚，按種類進行識別和分類；

步驟S130：根據所述魚類的圖像信息和識別分類結果，通過目標跟蹤算法對海洋牧場中魚群的魚體數量進行估計；

步驟S140：根據所述魚類的識別分類結果、魚群信息和環境信息，評價海洋牧場漁業資源的養護效果。

2.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，所述步驟S110中的環境信息包括：水溫、鹽度、溶氧量、PH值、海水流速。

3.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，所述步驟S120中的訓練樣本包括：同一種類的魚的不同姿態的圖像；同一種類的魚的不同角度的圖像；不同種類的魚在相似姿態的圖像；不同種類的魚在相同角度的圖像。

4.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，對所述步驟S120中的魚類的圖像信息進行預處理操作，包括：對訓練樣本的原始圖像，通過圖像分割、圖像拉伸、統一圖像尺寸和分辨率，得到統一規格的圖像；根據統一規格的圖像，通過中值濾波去除圖像中的噪聲，高斯濾波平滑圖像邊緣，得到預處理后圖像。

5.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，所述步驟S120中的神經網絡模型為基于深度學習的神經網絡模型，包括：一層數據層，三層壓縮層，一層分類層。

6.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，所述步驟S120中的神經網絡模型的第一層為數據層，用于遍歷一張像素規格大小為n×n的魚類彩色圖像，提取魚類彩色圖像數據，算法的時間復雜度為O(n²)；

所述步驟S120中的神經網絡模型的第二層為壓縮層，用于對所述魚類彩色圖像進行壓縮，提取所述魚類彩色圖像的灰度圖像，減小存儲體積，壓縮方法為灰度化處理，將魚類彩色圖像通過從256級的RGB圖像，轉換為256級灰度值的灰度圖像，根據RGB圖像中單個像素點的三原色亮度，可得到該單個像素點的灰度值，公式可表達為：

其中，Red是紅色的亮度、Green是綠色的亮度、Blue是藍色的亮度，級數均為256級。

所述步驟S120中的神經網絡模型的第三層為壓縮層，用于對所述魚類的灰度圖像進行進一步的壓縮，提取所述魚類的灰度圖像的邊緣二值圖，減小存儲體積，壓縮方法為邊緣提取，將灰度圖像通過邊緣提取算法，轉換為用0、1表示的邏輯數組，其中0和1分別表示黑和白，僅保留邊緣信息，根據邊緣提取算法，壓縮后的圖像僅有原始存儲體積的一半以下，算法的時間復雜度為O(n²)。

所述步驟S120中的神經網絡模型的第四層為壓縮層，用于對所述魚類的邊緣二值圖進行更近一步的壓縮，通過特征信息提取算法將魚類的圖像信息從二維圖像降維成一維特征信息保存，算法的時間復雜度為O(n)。

所述步驟S120中的神經網絡模型的第四層中的提取的一維特征信息包括：魚的全長、魚的標準體長、魚的體高、魚的吻長、魚的尾長、魚的頭長、魚的尾柄長。

所述步驟S120中的神經網絡模型的第五層為分類層，用于對所述一維特征信息進行識別分類，將提取的一維特征信息投入預訓練的神經網絡模型，通過特征分析和權重比較，得到魚類的種類。

7.根據權利要求1所述的基于仿生海鰻的海洋牧場漁業資源養護效果評價方法，其特征在于，所述步驟S120中的神經網絡模型采用BP神經網絡算法作為識別分類算法，對一維特征信息進行識別分類時，采用預訓練的權重系數為初始權重系數。