[發明專利]基于深度學習的公寓式螃蟹輔助養殖方法、系統和裝置

有效

• 申請號: 202110458105.1
• 申請日: 2021-04-26
• 公開（公告）號: CN113179981B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 周有喜;喬國坤
• 申請（專利權）人: 新疆愛華盈通信息技術有限公司
• 主分類號: A01K61/59
• 分類號: A01K61/59;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市嘉勤知識產權代理有限公司 44651
• 代理人: 王敏生

1.一種基于深度學習的公寓式螃蟹輔助養殖方法，其特征在于，包括：

S200，在監測時段獲取目標螃蟹的當前螃蟹照片，將所述當前螃蟹照片輸入預先訓練的螃蟹檢測網絡，獲取所述螃蟹檢測網絡返回的螃蟹邊界框的第一邊框描述信息，根據所述第一邊框描述信息確定當前螃蟹尺寸；其中，所述螃蟹檢測網絡用于根據螃蟹照片輸出螃蟹的邊界框；所述監測時段為監測周期的起始時段；所述監測周期包括多個投喂周期，各個投喂周期的起始時段為投喂時段；所述第一邊框描述信息記錄所述螃蟹邊界框的尺寸和位置；

S300，在預設的尺寸-進食量關系中查找所述當前螃蟹尺寸對應的食物投喂量；其中，所述尺寸-進食量關系記錄螃蟹的各個尺寸范圍對應的食量；

S500，在所述投喂時段獲取所述目標螃蟹對應的公寓全景照片，將所述公寓全景照片輸入預先訓練的食物檢測網絡，獲得所述食物檢測網絡返回的食物邊界框的第二邊框描述信息，根據所述第二邊框描述信息表征的邊框面積判斷所述公寓全景照片是否包括螃蟹食物；其中，所述食物檢測網絡用于檢測輸入照片的食物邊界框；所述第二邊框描述信息記錄所述食物邊界框的尺寸和位置；

S610，在檢測到所述公寓全景照片未包括螃蟹食物時，按照所述食物投喂量輸出所述目標螃蟹的投食信息；

所述螃蟹檢測網絡的訓練過程包括：S110，分別采集各個尺寸范圍的多個螃蟹的螃蟹照片，得到樣本螃蟹照片，標注各個樣本螃蟹照片中螃蟹的邊界框的位置和尺寸，得到各個樣本螃蟹照片對應的第一樣本描述信息；S120，以所述各個樣本螃蟹照片為輸入，各個第一樣本描述信息為輸出以訓練第一SqueezeNet網絡，獲取所述第一SqueezeNet網絡在該次訓練過程中的第一分類損失函數和第一定位損失函數，在所述第一分類損失函數和所述第一定位損失函數的取值均小于第一損失閾值時，根據所述第一SqueezeNet網絡的網絡參數確定所述螃蟹檢測網絡；所述第一分類損失函數包括：所述第一定位損失函數包括：m1∈{cx1,cy1,w1,h1}；其中，L1_conf表示第一分類損失誤差，x1_i表示第一SqueezeNet網絡針對第i個樣本螃蟹照片輸出的螃蟹邊界框的第一邊框描述信息，p1(x1_i)表示第i個樣本螃蟹照片經過softmax處理之后輸出準確結果的概率，n1表示樣本螃蟹照片的個數，L1_loc表示第一定位損失誤差，(cx1，cy1)為樣本螃蟹照片的候選框的中心點坐標，w1為樣本螃蟹照片的候選框的寬度，h1為樣本螃蟹照片的候選框的高度，m1為以cx1，cy1，w1和h1為集合的元素，表示第一SqueezeNet網絡對第i個樣本螃蟹照片的預測值，表示第一SqueezeNet網絡對第i個樣本螃蟹照片的標注值。

2.根據權利要求1所述的基于深度學習的公寓式螃蟹輔助養殖方法，其特征在于，還包括：

S620，若所述公寓全景照片包括螃蟹食物，則在下一個投喂周期返回執行步驟S500，直至檢測到所述公寓全景照片不包括螃蟹食物，按照所述食物投喂量輸出所述目標螃蟹的投食信息；

S630，在當前監測周期的下一個投喂周期返回執行步驟S500，以實現所述監測周期各個投喂周期的食物監測或者投喂提示。

3.根據權利要求1所述的基于深度學習的公寓式螃蟹輔助養殖方法，其特征在于，所述在監測時段獲取目標螃蟹的當前螃蟹照片，將所述當前螃蟹照片輸入預先訓練的螃蟹檢測網絡，獲取所述螃蟹檢測網絡返回的螃蟹邊界框的第一邊框描述信息，根據所述第一邊框描述信息確定當前螃蟹尺寸包括：

S210，在監測時段獲取螃蟹在相應照片中占比超過設定占比閾值的多個目標螃蟹照片，將各個目標螃蟹照片的格式調整至預設的輸入格式，得到多個當前螃蟹照片；

S220，將各個當前螃蟹照片輸入螃蟹檢測網絡，獲取所述螃蟹檢測網絡針對所述各個當前螃蟹照片返回的各個螃蟹邊界框的第一邊框描述信息，根據各個第一邊框描述信息識別各個螃蟹邊界框的短邊尺寸，根據所述各個螃蟹邊界框的短邊尺寸確定所述各個當前螃蟹照片表征的螃蟹尺寸，將各個螃蟹尺寸的平均值確定為當前螃蟹尺寸。