[發明專利]一種過魚通道目標魚類實時識別方法和系統

有效

• 申請號: 202110143951.4
• 申請日: 2021-02-02
• 公開（公告）號: CN112949408B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 申劍;柳春娜;蔣曉明;彭松濤;劉毅;余凌;晏國順;朱蒙恩;訾進甲;劉軼;李健源;方仲超
• 申請（專利權）人: 中國水利水電科學研究院;華電西藏能源有限公司
• 主分類號: G06V20/05
• 分類號: G06V20/05;G06V10/25;G06V10/40;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張琳麗

本發明涉及一種過魚通道目標魚類實時識別方法和系統。所述過魚通道目標魚類實時識別方法包括：獲取過魚通道的待檢測圖像；獲取目標魚類檢測模型；采用所述目標魚類檢測模型確定所述待檢測圖像中包含目標品種魚類。本發明提供的過魚通道目標魚類實時識別方法和系統，基于目標魚類檢測模型，以在實現過魚目標種類識別的高效性和高精確性的同時，能夠實時識別過魚通道內過魚目標種類。

技術領域

本發明涉及魚類識別領域，特別是涉及一種過魚通道目標魚類實時識別方法和系統。

背景技術

傳統的魚類靜態識別技術最初一般采用人工篩選，通過人為的設計特征，再基于這些特征選擇分類器對目標進行識別，這種方法不僅勞動強度大，方法效率低下，提取的特征有限，分類精確度也較低。隨著圖像處理與機器視覺技術的發展，從基于特征值、相關系數、神經網絡、分級分類、支持向量機，到后續利用多種形式的卷積神經網絡對魚類種類進行識別，新的魚類識別技術不僅可以降低勞動強度，同時還可以提高準確率。

并且，早期的魚類識別技術主要集中在品種識別、魚齡判斷和魚類分級等方面。基本識別實現過程為：輸入魚類圖像，選擇魚類特征，構建分類器，將特征向量輸入分類器進行品種識別。其中分類方法包括：判別分析、BP(Back Propagation)神經網絡、貝葉斯、輪廓匹配法和支持向量機(Support VectorMachine，SVM)等。

上世紀以來，計算機信息技術飛速發展，深度學習在計算機視覺等多個領域取得重大突破，將深度學習的強大能力及優勢運用到魚類圖像識別領域，是對魚類圖像識別的一次重大創新和提升。魚類體型各異、大小不一，識別起來較為復雜，而且同一類魚的不同品種擁有相似的外形、尺寸以及紋理等特征，傳統的監測識別方法很難得出正確的識別結果，而基于深度學習的方法，具有強大的學習能力及計算優勢，不僅能保證魚類識別的正確率，同時能以較高的效率得到監測分析結果。

目前基于深度學習的魚類識別技術主要是目標檢測算法。目標檢測方法主要可分為RCNN(Region-CNN)系列的基于候選區域和深度學習分類的目標檢測算法(如Fast RCNN、Faster RCNN以及R-FCN等)和以YOLO(You Only Look Once)為代表的基于深度學習的回歸方法的目標檢測算法(如YOLO、SSD)，前者檢測結果精度較高，但是速度較慢，后者精度較低但檢測速度較快。

發明內容

為解決現有技術中存在的上述問題，本發明提供了一種過魚通道目標魚類實時識別方法和系統，以實現過魚目標種類識別的高效性和高精確性。

為實現上述目的，本發明提供了如下方案：

一種過魚通道目標魚類實時識別方法，包括：

獲取過魚通道的待檢測圖像；

獲取目標魚類檢測模型；所述目標魚類檢測模型為以圖像為輸入，以魚類品種為輸出的訓練好的神經網絡模型；

采用所述目標魚類檢測模型確定所述待檢測圖像中包含目標品種魚類；所述目標品種魚類包括：異齒裂腹魚、巨須裂腹魚、拉薩裂腹魚和尖裸鯉。

優選地，所述獲取目標魚類檢測模型，之前還包括：

獲取樣本訓練集、樣本測試集和樣本驗證集；

獲取初始神經網絡模型；

采用所述樣本訓練集對所述神經網絡模型進行訓練，以調整所述初始神經網絡模型的分類損失值和回歸損失值，得到第一神經網絡模型；

采用所述樣本驗證集驗證所述第一神經網絡模型是否滿足預設收斂條件；當所述第一神經網絡模型不滿足預設收斂條件時，將所述樣本訓練集和所述樣本驗證集進行混合后，重新劃分為新的樣本訓練集和新的樣本驗證集，并返回“采用所述樣本訓練集對所述神經網絡模型進行訓練，以調整所述初始神經網絡模型的分類損失值和回歸損失值，得到第一神經網絡模型”，直至所述第一神經網絡模型滿足預設收斂條件；