[發(fā)明專利]一種基于圖像特征識(shí)別魚體方向的方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011446978.2
• 申請(qǐng)日: 2020-12-09
• 公開（公告）號(hào): CN112580662A
• 公開（公告）日: 2021-03-30
• 發(fā)明（設(shè)計(jì)）人: 肖哲非;倪錦;沈建;馬田田;歐陽杰;馮志華
• 申請(qǐng)（專利權(quán)）人: 中國水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京知匯林知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11794
• 代理人: 董濤

1.一種基于圖像特征識(shí)別魚體方向的方法，其特征在于，包括如下步驟：

將待測試魚體圖像輸入已創(chuàng)建完成的改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型中，得到魚體各部分類別以及魚體矩形框坐標(biāo)；

根據(jù)魚體各部分類別以及魚體矩形框坐標(biāo)，得到魚體頭尾朝向；

將魚體矩形框內(nèi)圖像轉(zhuǎn)化為灰度圖；

將灰度圖以中心線為中心一分為二；

分別計(jì)算灰度圖上下兩部分灰度值的平均值，得到魚體腹背朝向。

2.如權(quán)利要求1所述的基于圖像特征識(shí)別魚體方向的方法，其特征在于，所述已創(chuàng)建完成的改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，其創(chuàng)建過程如下：

獲取歷史魚體圖像數(shù)據(jù)并進(jìn)行標(biāo)記分類以及矩形框坐標(biāo)；

利用卷積層、激活層、池化層、全連接層以及它們之間的組合，建立改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行初始化；

將歷史魚體圖像數(shù)據(jù)以及標(biāo)記分類結(jié)果數(shù)據(jù)輸入到改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到預(yù)測的魚體圖像數(shù)據(jù)的分類以及矩形框坐標(biāo)；

利用損失函數(shù)，將預(yù)測的魚體圖像數(shù)據(jù)的分類以及矩形框坐標(biāo)與標(biāo)記分類以及矩形框坐標(biāo)做比較，若二者差距大于預(yù)設(shè)定閾值，則改變改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直到差距小于等于預(yù)設(shè)定閾值，則停止訓(xùn)練，輸出已經(jīng)創(chuàng)建完成的改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型。

3.如權(quán)利要求2所述的基于圖像特征識(shí)別魚體方向的方法，其特征在于，所述利用卷積層、激活層、池化層、全連接層以及它們之間的組合，建立改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，過程如下：

將所述歷史魚體圖像數(shù)據(jù)、標(biāo)記分類結(jié)果以及矩形框坐標(biāo)依次按照順序分別輸入到第一卷積層、第一激活層、第二卷積層、第二激活層、第一池化層、第三卷積層、第三激活層、第四卷積層、第四激活層、第二池化層中，得到第一特征圖；

將所述第一特征圖進(jìn)行下采樣得到第二特征圖；

將所述第一特征圖依次按照順序分別輸入到第五卷積層、第五激活層、第六卷積層、第六激活層、第七卷積層、第七激活層、第八卷積層、第八激活層、第三池化層、第九卷積層、第九激活層、第十卷積層、第十激活層、第十一卷積層、第十一激活層、第十二卷積層、第十二激活層、第十三卷積層、第十三激活層、第四池化層，得到第三特征圖；

將第二特征圖與第三特征圖進(jìn)行拼接，得到第四特征圖；

將第四特征圖依次分別輸入到第十四卷積層和第十四激活層中，得到第五特征圖，并以所述第五特征圖中的每個(gè)點(diǎn)為中心生成九個(gè)錨框，錨框中框選的即為選擇的特征數(shù)據(jù)；

將所述特征數(shù)據(jù)依次順序輸入第一全連接層、第十五激活層以及softmax函數(shù)，得到過濾后的特征數(shù)據(jù)；

所述過濾后的特征數(shù)據(jù)經(jīng)過非極大值抑制，得到抑制后的特征數(shù)據(jù)；

將抑制后的特征數(shù)據(jù)分別輸入第一結(jié)構(gòu)與第二結(jié)構(gòu)，分別預(yù)測的魚體圖像數(shù)據(jù)的分類以及矩形框坐標(biāo)，所述第一結(jié)構(gòu)包括：第二全連接層、第十六激活層以及softmax函數(shù)；所述第二結(jié)構(gòu)包括：第十五卷積層、第十七激活層以及回歸層。

4.如權(quán)利要求3所述的基于圖像特征識(shí)別魚體方向的方法，其特征在于，所述第一卷積層的卷積核為3×3×16，所述第二卷積層的卷積核為3×3×96，所述第三卷積層的卷積核為3×3×96，所述第四卷積層的卷積核為3×3×128，第五卷積層的卷積核為3×3×128，第六卷積層的卷積核為3×3×128，第七卷積層的卷積核為3×3×128，第八卷積層的卷積核為3×3×38第九卷積層的卷積核為3×3×384，第十卷積層的卷積核為3×3×256，第十一卷積層的卷積核為3×3×256，第十二卷積層的卷積核為3×3×256，第十三卷積層的卷積核為3×3×128，第十四卷積層的卷積核為3×3×256，第十五卷積層的卷積核為1×1×36。

5.如權(quán)利要求3所述的基于圖像特征識(shí)別魚體方向的方法，其特征在于，所述第一激活層～第十七激活層采用激活函數(shù)ReLU，公式如下：

通過激活層將所有負(fù)值去除，p表示任意輸入值。