[發(fā)明專利]基于智能魚竿的機(jī)器學(xué)習(xí)方法與裝置

有效

• 申請?zhí)枺?/td>: 202110304733.4
• 申請日: 2021-03-22
• 公開（公告）號: CN113204990B
• 公開（公告）日: 2022-01-14
• 發(fā)明（設(shè)計）人: 婁毅
• 申請（專利權(quán)）人: 深圳市眾凌匯科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 成都拓荒者知識產(chǎn)權(quán)代理有限公司 51254
• 代理人: 王堅敏

1.一種基于智能魚竿的機(jī)器學(xué)習(xí)方法，包括以下步驟：

步驟1：建立不同釣魚場景對應(yīng)的魚類數(shù)據(jù)庫；

步驟2：增加魚類數(shù)據(jù)庫魯棒性，步驟包括；

步驟2.1：對池塘魚類數(shù)據(jù)庫A1和河流魚類數(shù)據(jù)庫B1中的圖像數(shù)據(jù)集，按照一定的比例分別劃分為池塘魚類訓(xùn)練數(shù)據(jù)集ATr1、池塘魚類測試數(shù)據(jù)集ATe1，以及河流魚類訓(xùn)練數(shù)據(jù)集BTr1和河流魚類測試數(shù)據(jù)集BTe1；

步驟2.2：分別對池塘魚類訓(xùn)練數(shù)據(jù)集ATr1和河流魚類訓(xùn)練數(shù)據(jù)集BTe1進(jìn)行數(shù)據(jù)擴(kuò)充，對訓(xùn)練數(shù)據(jù)加入高斯噪聲和椒鹽噪聲生成新的加噪聲圖像，通過調(diào)整訓(xùn)練數(shù)據(jù)的直方圖均衡性來進(jìn)行訓(xùn)練數(shù)據(jù)明暗度增加，生成新的不同明暗度圖像，對訓(xùn)練數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、鏡像、平移、尺度變換操作，生成新的不同角度圖像，再將上述不同特性圖像分別加入初始訓(xùn)練數(shù)據(jù)集ATr1和BTe1，生成擴(kuò)充后的訓(xùn)練數(shù)據(jù)集ATr2和BTe2；

步驟3：基于擴(kuò)充后的訓(xùn)練數(shù)據(jù)集，建立機(jī)器學(xué)習(xí)魚類圖像數(shù)據(jù)分類模型；步驟包括：

步驟3.1：將所有魚類訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的圖像矩陣統(tǒng)一尺寸，并對其進(jìn)行歸一化，然后設(shè)置訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的批次大小值，以及樣本迭代次數(shù)，將交叉熵函數(shù)設(shè)置為損失函數(shù)，并用隨機(jī)梯度下降方法更新網(wǎng)絡(luò)參數(shù)，設(shè)置學(xué)習(xí)率，將完全連接層的最終輸出值設(shè)置為N；

步驟3.2：將擴(kuò)充后的池塘魚類訓(xùn)練數(shù)據(jù)集ATr2，分別放入TL-AlexNet、TL-Vgg16、TL-ResNet18三種機(jī)器學(xué)習(xí)模型上進(jìn)行擴(kuò)充數(shù)據(jù)訓(xùn)練，再利用池塘魚類測試數(shù)據(jù)集ATe1對三種學(xué)習(xí)模型進(jìn)行測試；

步驟3.3：將擴(kuò)充后的河流魚類訓(xùn)練數(shù)據(jù)集BTr2，分別放入TL-Vgg19、TL-ResNet34、TL-SqueezeNet三種機(jī)器學(xué)習(xí)模型上進(jìn)行擴(kuò)充數(shù)據(jù)訓(xùn)練，再利用河流魚類測試數(shù)據(jù)集BTe1對三種學(xué)習(xí)模型進(jìn)行測試；

步驟3.4：從步驟3.2和步驟3.3測試結(jié)果中分別獲取學(xué)習(xí)模型綜合評價結(jié)果R，分別確定池塘區(qū)域和河流區(qū)域綜合評價結(jié)果最高的機(jī)器學(xué)習(xí)模型，首先，從測試結(jié)果中計算出分類的準(zhǔn)確率ac、精度pr、召回率re、F1分?jǐn)?shù)，其中，準(zhǔn)確率ac計算公式為精度pr計算公式為召回率re計算公式為F1分?jǐn)?shù)計算公式為變量t_all表示所有測試數(shù)據(jù)的數(shù)量，變量t_it_i表示第i類測試數(shù)據(jù)被正確判定為第i類的數(shù)量，當(dāng)j≠i時，變量t_jt_i表示第j類測試數(shù)據(jù)t_j被錯誤判定為第i類的數(shù)量，當(dāng)j＝i時，變量t_jt_i表示第j類測試數(shù)據(jù)t_j被正確判定為第j類的數(shù)量，變量t_i表示第i類測試數(shù)據(jù)的數(shù)量，然后綜合上述四種評價指標(biāo)來對三種學(xué)習(xí)模型進(jìn)行評價，先對四種評價指標(biāo)進(jìn)行歸一化處理，然后將準(zhǔn)確率的權(quán)重設(shè)置為a1∈[0.1,0.15]，精度的權(quán)重設(shè)置為a2∈[0.15,0.2]，召回率的權(quán)重設(shè)置為a3∈[0.2,0.3]，F(xiàn)1分?jǐn)?shù)的權(quán)重設(shè)置為a4∈[0.3,0.4]，綜合評價結(jié)果R＝a1·ac+a2·pr+a3·re+a4·F1；

步驟4：釣魚過程中選擇釣魚場景；

步驟5：獲取水域場景信息；

步驟6：獲取魚類目標(biāo)信息；

步驟7：對魚類目標(biāo)進(jìn)行識別，具體步驟包括：

步驟7.1：將步驟6獲取魚類目標(biāo)信息后的結(jié)果即圖像數(shù)據(jù)Tg_t放入步驟4選擇的釣魚場景對應(yīng)的機(jī)器學(xué)習(xí)模型中進(jìn)行分類，若圖像數(shù)據(jù)Tg_t分類為水中沒有魚，則得到水中沒有魚接近的結(jié)論，執(zhí)行步驟6，若圖像數(shù)據(jù)Tg_t分類為某種類型魚類，則得到水中有魚接近的結(jié)論，執(zhí)行步驟7.2；

步驟7.2：每間隔1秒從視頻數(shù)據(jù)中采集一張圖像數(shù)據(jù)R_t，持續(xù)采集10秒圖像數(shù)據(jù)，生成數(shù)據(jù)集R_all；

步驟7.3：將數(shù)據(jù)集R_all放入步驟4選擇的釣魚場景對應(yīng)的機(jī)器學(xué)習(xí)模型中進(jìn)行分類，對10個分類結(jié)果進(jìn)行統(tǒng)計，分類結(jié)果相同的類型L的數(shù)量占總分類結(jié)果數(shù)量的比率Rh；

步驟7.4：當(dāng)Rh∈[0,0.3]，判斷魚類類型不確定，當(dāng)Rh∈(0.3,0.6)，判斷魚類類型可能是L,當(dāng)Rh∈[0.6,1]，判斷魚類類型為L。