[發明專利]一種基于深度學習的多特征融合魚類異常行為檢測方法

在審

• 申請號: 202210027564.9
• 申請日: 2022-01-11
• 公開（公告）號: CN114463843A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 錢浩天;馬燕妮;斯毓秀;曹迪;余邵聰
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/80;G06V10/54;G06V10/62;G06V10/774;G06V10/82;G06N3/04;G06N3/08;G06N20/20;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 忻明年

本發明公開了一種基于深度學習的多特征融合魚類異常行為檢測方法，包括：S1、獲取魚群圖像數據集；S2、對魚群圖像數據集中的圖像進行預處理；S3、對預處理后的圖像進行特征提取，包括：采用DCNN遷移學習模型提取魚群評分特征；采用灰度共生矩陣提取魚群紋理特征；采用LK光流法提取魚群行為特征；S4、分別對魚群評分特征、魚群紋理特征和魚群行為特征進行歸一化處理；S5、將各圖像歸一化處理后的各特征作為特征向量輸入XGBoost模型訓練，獲得魚群異常行為檢測模型；S6、對魚群異常行為檢測模型進行評估，獲得最終魚群異常行為檢測模型。該方法可提高魚群異常行為檢測準確率，適用于小數據集和高精度檢測，執行效率高。

技術領域

本發明屬于計算機視覺和深度學習技術領域，具體涉及一種基于深度學習的多特征融合魚類異常行為檢測方法。

背景技術

魚群行為可分為異常行為和正常行為，由于魚群異常行為的檢測可以為魚群健康監測和預警提供重要依據，所以有助于分析量化魚群的攝食活動強度進行精準投喂。而人工現場識別魚群異常行為成本較高，時間消耗多，且受觀測者能力限制。因此，許多魚群異常行為檢測方法不斷被提出。

但現有的魚群異常行為檢測方法中存在如下問題：1)由于魚群生活的水質相對渾濁，魚群密度較高，易出現遮擋現象，從而導致跟蹤提取魚群目標位置的過程困難；2)經過復雜度較高的深度卷積神經網絡DCNN進行魚群特征提取而構建行為分類模型，并沒有獲得理想的分類效果，且在模型訓練過程中，需要至少幾十萬的數據樣本，時間和資源消耗多，計算成本高，而樣本數量較少則會導致網絡出現過擬合現象；3)魚群紋理特征會隨魚群行為的變化而變化，若僅采用紋理特征或行為特征，則在魚群數量過多或過少時會對異常行為產生誤判；4)通常采用分類器進行魚群異常行為的識別，但是不同的分類器擁有不同程度的魯棒性，且會存在各種各樣的分類錯誤，在實際應用中，單一分類器的準確度較低。因此，鑒于人們對于魚群異常行為檢測方法的準確率、收斂速度、執行效率有了更高的要求，本申請提出一種基于深度學習的多特征融合魚類異常行為檢測方法。

發明內容

本發明的目的在于針對上述問題，提出一種基于深度學習的多特征融合魚類異常行為檢測方法，該方法通過多特征融合提高了魚群異常行為檢測模型的性能和準確率，并運用遷移學習策略，使模型具有適用于小數據集和高精度的雙重優勢，減少了過擬合現象并加快神經網絡的訓練和收斂速度，進一步提高魚群異常行為識別準確率和執行效率。

為實現上述目的，本發明所采取的技術方案為：

本發明提出的一種基于深度學習的多特征融合魚類異常行為檢測方法，包括如下步驟：

S1、獲取魚群圖像數據集，魚群圖像數據集包括正常行為圖像和異常行為圖像；

S2、對魚群圖像數據集中的圖像進行預處理；

S3、對預處理后的圖像進行特征提取，具體如下：

S31、采用DCNN遷移學習模型對圖像進行魚群評分特征提取，DCNN遷移學習模型獲取如下：

S311、利用ImageNet數據集中的圖像對DCNN神經網絡模型進行預訓練，DCNN神經網絡模型采用Inception-v3模型，包括依次連接的第一卷積層、第二卷積層、第三卷積層、第一池化層、第四卷積層、第五卷積層、第六卷積層、第一特征提取模塊、第二特征提取模塊、第三特征提取模塊、第二池化層、Dropout層和全連接層，第一特征提取模塊包括三個Inception模塊，第二特征提取模塊包括五個Inception模塊，第三特征提取模塊包括兩個Inception模塊；

S312、基于預處理后的圖像對預訓練的DCNN神經網絡模型的全連接層進行訓練，微調全連接層的參數，獲得DCNN遷移學習模型；

S32、采用灰度共生矩陣對圖像進行魚群紋理特征提取；

S33、采用LK光流法對圖像進行魚群行為特征提取；