[發明專利]一種養殖監測方法和裝置

在審

• 申請號: 202010435960.6
• 申請日: 2020-05-21
• 公開（公告）號: CN111814536A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 汪濤;溫正垚;陳紫文
• 申請（專利權）人: 閩江學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q50/02
• 代理公司: 福州市景弘專利代理事務所(普通合伙) 35219
• 代理人: 林祥翔;黃以琳

1.一種養殖監測方法，其特征在于，包括如下步驟：

獲取來自兩個或多個位置相鄰的圖像采集設備的當前時刻的圖像信息，所述圖像信息可由其來源的圖像采集設備提供監測區域特征標識；

建立網絡模型，具體包括：對來自每一圖像采集設備的圖像信息進行預處理，然后基于經過預處理的圖像信息獲取該區域的拼接特征數據；對來自相鄰區域的拼接特征數據做加權求和，獲得空間融合特征數據；基于空間融合特征數據輸出對應檢測結果；

每隔預設時間間隔，以上述網絡模型進行檢測計算，并優化檢測結果。

2.如權利要求1所述的養殖監測方法，其特征在于，還包括步驟：當一時間范圍內的檢測結果滿足預設條件時，發出通訊信息。

3.如權利要求1或2所述的養殖監測方法，其特征在于，所述“建立網絡模型”中，以Darknet-53模型為原型構建圖像分類模型，其中，模型骨架包括Conv2D卷積塊、ResidualBlock卷積塊、UpSampling2D層和Fully Connected層。

4.如權利要求3所述的養殖監測方法，其特征在于，建立網絡模型時，對Darknet-53模型做如下變更：將卷積塊中Batch Normalization層替換為Group Nomalization層；并以激活函數SegReLU取代原激活函數Leaky ReLU function。

5.如權利要求4所述的養殖監測方法，其特征在于，建立網絡模型時，對Darknet-53模型做如下變更：舍棄Darknet-53模型中1×1大小的卷積層，并增加SegReLU激活函數層，用于作用于Residual殘差塊的輸出特征。

6.如權利要求5所述的養殖監測方法，其特征在于，步驟“基于經過預處理的圖像信息獲取該區域的拼接特征數據”具體包括：獲取第一增加輸出特征和第二增加輸出特征；所述第一增加輸出特征的獲取為：對模型骨架中第二個Residual Block層提取輸出特征，得到的維度為64*64*128；所述第二增加輸出特征的獲取為：對模型骨架中第四個ResidualBlock層提取輸出特征，得到的維度為16*16*512，然后采用線性插值法對該層輸出做上采樣操作，獲得第二增加輸出特征，特征維度為64*64*512；對所述第一增加輸出特征和第二增加輸出特征做特征拼接處理，得到維度為64*64*640的多尺度特征。

7.如權利要求6所述的養殖監測方法，其特征在于，所述“對來自相鄰區域的拼接特征數據做加權求和，獲得空間融合特征數據”步驟中加權求和公式為：

其中，n為相鄰區域的區域個數，V為多尺度特征。

8.如權利要求7所述的養殖監測方法，其特征在于，步驟“基于空間融合特征數據輸出對應檢測結果”具體包括：構造大小為(640，256)的Fully Connected層、GroupNomalization層與大小為(256，5)的Fully Connected層，并以所述空間融合特征數據為輸入，獲取的輸出結果為0、1、2、3、4之一。

9.如權利要求8所述的養殖監測方法，其特征在于，所述步驟“每隔預設時間間隔，以上述網絡模型進行檢測計算，并優化檢測結果”具體包括：每隔10-60秒時間，以上述網絡模型進行檢測計算；

統計3-12小時內的檢測計算結果并基于該統計結果獲取最終檢測結果，所述統計方法如下式：

其中，x_n表示第n個時刻網格模型的分類結果中某個類別的概率。