[發明專利]一種基于深度學習的水下成像魚網破損識別方法及系統

在審

• 申請號: 202011036004.7
• 申請日: 2020-09-27
• 公開（公告）號: CN112163517A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 侯明鑫;俞國燕;王林;梁貽察;何泰華;李軍
• 申請（專利權）人: 廣東海洋大學;南方海洋科學與工程廣東省實驗室（湛江）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F16/55;G06F16/583
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉瑤云;陳偉斌

1.一種基于深度學習的水下成像魚網破損識別方法，其特征在于，包括以下步驟：

S1：采集水下網破圖像組成圖像數據庫，將所述圖像數據庫中的水下網破圖像劃分為訓練集和測試集；對所述水下網破圖像分別進行標注其網破位置，將所述標注的網破位置數據生成表格文件進行存儲；

S2：構建魚網破損識別模型，選取所述魚網破損識別模型訓練需要的配置文件，并預設所述魚網破損識別模型的分類標簽目錄；

S3：根據所述配置文件及分類標簽目錄調整所述魚網破損識別模型的參數，然后將所述訓練集輸入所述魚網破損識別模型中進行訓練，得到完成訓練的魚網破損識別模型；

S4：將所述測試集輸入所述完成訓練的魚網破損識別模型中，輸出所述測試集對應的魚網破損識別結果，將所述魚網破損識別結果與所述表格文件中存儲的網破位置數據進行對比驗證模型的精準度：若精準度大于或等于預設的精準度閾值時，則執行S5步驟，否則跳轉執行S1步驟；

S5：采用水下攝像頭采集水下魚網圖像，將所述水下魚網圖像輸入所述完成訓練的魚網破損識別模型中，輸出得到魚網破損識別結果。

2.根據權利要求1所述的水下成像魚網破損識別方法，其特征在于：所述魚網破損識別模型采用SSD_MobileNet、YOLO、SSD_Inception、R-FCN_ResNet中的一種深度學習模型。

3.根據權利要求1所述的水下成像魚網破損識別方法，其特征在于：所述S1步驟中，對所述水下網破圖像分別進行標注其網破位置的具體步驟包括：在所述水下網破圖像中構建圖像坐標系；在所述水下網破圖像中網破位置標注外接矩形框作為真實框，記錄所述真實框的中心坐標及框體尺寸、所述水下網破圖像中破損類型作為真實網破信息，并將所述真實網破數據生成表格文件進行存儲。

4.根據權利要求3所述的水下成像魚網破損識別方法，其特征在于：所述S3步驟中，其具體步驟包括：

S3.1：根據所述配置文件及分類標簽目錄調整所述魚網破損識別模型的參數；

S3.2：將所述訓練集中的水下網破圖像依次輸入所述魚網破損識別模型中，所述魚網破損識別模型識別所述水下網破圖像中的網破位置并標注預測框，輸出標注有預測框的水下網破圖像，以及所述預測框的中心坐標及框體尺寸；

S3.3：所述魚網破損識別模型對所述水下網破圖像中的破損類型根據所述分類標簽目錄進行分類，輸出所述水下網破圖像中魚網破損類型；

S3.4：將所述魚網破損識別模型輸出的預測框的中心坐標及框體尺寸、魚網破損類型，與對應水下網破圖像中的真實網破數據進行對比，計算所述魚網破損識別模型的損失函數，并根據所述損失函數的結果對所述魚網破損識別模型的參數進行優化，得到完成訓練的魚網破損識別模型。

5.根據權利要求4所述的水下成像魚網破損識別方法，其特征在于：所述S3步驟中，所述魚網破損識別模型識別所述水下網破圖像中的網破位置時，共生成N個默認框；所述魚網破損識別模型對所述水下網破圖像中的破損類型進行分類時，計算分類置信度的預測值c。

6.根據權利要求5所述的水下成像魚網破損識別方法，其特征在于：所述S3步驟中，所述損失函數L為魚網網破定位損失函數L_loc和魚網網破分類損失函數L_conf之和，其表達公式如下：

其中，l表示預測框值，g表示真實框值，x表示魚網破損識別模型網絡預測值；魚網網破分類損失函數L_conf的表達公式如下：

其中，表示當魚網網破預測框i與真實框j關于類別p匹配時的概率預測值；為魚網破損識別模型預設值；魚網網破定位損失函數L_loc的表達公式如下：

其中，(cx,cy)表示預測框的中心坐標，w表示預測框的寬度，h表示預測框的高度；表示預測框，表示真實框；smooth_L1(·)表示平滑系數。

7.根據權利要求1所述的水下成像魚網破損識別方法，其特征在于：所述S4步驟中，所述預設的精準度閾值的取值范圍為90％～95％。