[發明專利]一種魚類攝食狀態的檢測方法及裝置

在審

• 申請號: 202011364526.X
• 申請日: 2020-11-27
• 公開（公告）號: CN112381044A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 劉春紅;孔慶辰;葉榮珂;李道亮;陳英義;段青玲;張玉泉;蔡振鑫
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06Q50/02
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 孫怡

1.一種魚類攝食狀態的檢測方法，其特征在于，包括：

拍照得到魚群采食圖片；

提取所述魚群采食圖片的紋理特征和形狀特征；

將所述紋理特征和形狀特征輸入預設深度森林模型中，得到所述待測魚群的攝食狀態；

所述預設深度森林模型為基于魚群的攝食狀態與對應的攝食時的紋理特征和形狀特征訓練得到；所述攝食狀態包括飽腹、低度饑餓、中度饑餓和高度饑餓。

2.根據權利要求1所述的檢測方法，其特征在于，提取所述魚群采食圖片的紋理特征和形狀特征，具體為：

針對所述魚群采食圖片去除背景后建立灰度共生矩陣，將所述灰度共生矩陣的熵作為紋理特征；

將所述灰度共生矩陣的圓弧度作為形狀特征。

3.根據權利要求1或2所述的檢測方法，其特征在于，

將所述紋理特征和形狀特征輸入預設深度森林模型中，得到所述待測魚群的攝食狀態，具體為：

通過多粒度掃描模塊對所述紋理特征和形狀特征進行掃描得到特征向量；

將所述特征向量輸入多粒度掃描模塊中的隨機森林和完全隨機森林后輸出分類向量；

將所述分類向量與所述紋理特征和形狀特征連接輸入到所述預設深度森林模型中，得到所述待測魚群的攝食狀態。

4.根據權利要求1所述的檢測方法，其特征在于，所述預設深度森林模型的構建方法如下：

對不同攝食狀態的魚群進行拍攝得到多張魚群采食照片和每張魚群采食照片對應的攝食狀態；

針對每張魚群采食照片去除背景，后建立相應的灰度共生矩陣；

針對每張魚群采食照片對應的灰度共生矩陣進行處理，提取灰度共生矩陣的熵作為紋理特征，提取灰度共生矩陣的圓形度作為形狀特征；

將每張魚群采食照片對應的紋理特征和形狀特征以及攝食狀態作為一個訓練樣本，獲得多個訓練樣本，利用多個訓練樣本對所述預設深度森林模型進行訓練。

5.根據權利要求4所述的檢測方法，其特征在于，針對每張魚群采食照片去除背景，后建立相應的灰度共生矩陣，具體為：

利用均值背景法從多張魚群采食照片中提取圖像背景，利用背景差分法將每張魚群采食照片和所述圖像背景相減，提取運動的前景建立相應的灰度共生矩陣。

6.根據句權利要求5所述的檢測方法，其特征在于，提取運動的前景建立相應的灰度共生矩陣，具體為：

設定閾值T，針對運動的前景，逐個對像素點進行二值化處理得到二值化圖像，再進行連通性分析得到僅有魚體的圖片，針對所述僅有魚體的圖片建立相應的灰度共生矩陣。

7.根據權利要求4所述的檢測方法，其特征在于，利用多個訓練樣本對所述預設深度森林模型進行訓練，具體為：

選用3個滑窗對多個訓練樣本進行掃描得到3類不同維度的特征向量，將特征向量輸入1個隨機森林和1個完全隨機森林輸出分類向量后串聯所有的分類向量輸入級聯森林模塊進行訓練；

所述級聯森林模塊中每一層都由至少2個隨機森林和至少2個完全隨機森林組成，在輸入分類向量后經過學習得到新的分類向量，將每一層得到的新的分類向量和輸入的分類向量串聯后輸入到下一層中進行學習。

8.根據權利要求7所述的檢測方法，其特征在于，在所述級聯森林模塊中，從第二層開始，在每一層學習完成后設置交叉檢驗檢測模型性能，若總體精度提升的幅度小于1％則完成所述預設深度森林模型的訓練，否則，繼續下一層的學習。

9.根據權利要求1-8任一項所述的方法，其特征在于，所述攝食狀態具體為：

(1)飽腹：魚兒飽腹狀態，不攝食；

(2)低度饑餓：魚兒僅吃面前的食物，不游動攝食；

(3)中度饑餓：魚兒游動攝食，攝食后返回原位置；

(4)高度饑餓：魚兒在食物間游動并爭搶食物。

10.一種魚類攝食狀態檢測裝置，其特征在于，包括：

圖像采集模塊，用于拍照得到魚群采食圖片；

特征提取模塊，用于提取所述魚群采食圖片的紋理特征和形狀特征；

攝食狀態檢測模塊，用于將所述紋理特征和形狀特征輸入預設深度森林模型中，得到所述待測魚群的攝食狀態；

所述預設深度森林模型為基于魚群的攝食狀態與對應的攝食時的紋理特征和形狀特征訓練得到；所述攝食狀態包括飽腹、低度饑餓、中度饑餓和高度饑餓。