[發(fā)明專利]一種基于圖像識(shí)別技術(shù)的海水魚(yú)刺激隱核蟲(chóng)病的診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210669598.8
• 申請(qǐng)日: 2022-06-14
• 公開(kāi)（公告）號(hào): CN115458151A
• 公開(kāi)（公告）日: 2022-12-09
• 發(fā)明（設(shè)計(jì)）人: 周理耀;尹飛;蔣林華;謝驍;徐冰埼;劉奧偉
• 申請(qǐng)（專利權(quán)）人: 寧波大學(xué)
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 寧波甬致專利代理有限公司 33228
• 代理人: 高瑞霞

1.一種基于圖像識(shí)別技術(shù)的海水魚(yú)刺激隱核蟲(chóng)病的診斷方法，其特征在于：該方法包括下列步驟：

S1、采集患有隱核蟲(chóng)病的大黃魚(yú)圖像、健康的大黃魚(yú)圖像、具有包囊的養(yǎng)殖桶底圖像和無(wú)包囊的養(yǎng)殖桶底圖像；

S2、從步驟S1中采集的所有圖像中選取部分患有隱核蟲(chóng)病的大黃魚(yú)圖像、部分健康的大黃魚(yú)圖像以及部分具有包囊的養(yǎng)殖桶底圖像，對(duì)所選取的大黃魚(yú)圖像中的魚(yú)體背鰭以及所選取的養(yǎng)殖桶底圖像中的包囊分別進(jìn)行人工手動(dòng)標(biāo)注，分別得到若干張具有標(biāo)記的的圖像，并分別儲(chǔ)存在兩個(gè)文件夾中；

S3、對(duì)步驟S2得到的兩個(gè)文件夾中的圖像分別進(jìn)行數(shù)據(jù)增廣操作，得到關(guān)于大黃魚(yú)的增廣圖像和關(guān)于養(yǎng)殖桶底的增廣圖像，將關(guān)于大黃魚(yú)的增廣圖像與步驟S1中采集到的大黃魚(yú)圖像組成大黃魚(yú)圖像數(shù)據(jù)集，將關(guān)于養(yǎng)殖桶底的增廣圖像和步驟S1中采集到的養(yǎng)殖桶底圖像組成養(yǎng)殖桶底圖像數(shù)據(jù)集，并分別對(duì)兩個(gè)數(shù)據(jù)集中的圖像的尺寸進(jìn)行調(diào)整，得到調(diào)整后的大黃魚(yú)圖像數(shù)據(jù)集以及調(diào)整后的養(yǎng)殖桶底圖像數(shù)據(jù)集；

S4、將步驟S3所得的調(diào)整后的養(yǎng)殖桶底圖像數(shù)據(jù)集中的圖像按照比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

S5、采用deeplabv3+深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建隱核蟲(chóng)病病原識(shí)別模型，將步驟S4中得到的訓(xùn)練集和驗(yàn)證集輸入到deeplabv3+深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練后的隱核蟲(chóng)病病原識(shí)別模型，將步驟S4中得到的測(cè)試集輸入到訓(xùn)練后的隱核蟲(chóng)病病原識(shí)別模型中進(jìn)行測(cè)試，得到最優(yōu)隱核蟲(chóng)病病原識(shí)別模型；

S6、采用deeplabv3+深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)步驟S3得到的調(diào)整后的大黃魚(yú)圖像數(shù)據(jù)集中的圖像進(jìn)行魚(yú)體背鰭提取，由deeplabv3+深度學(xué)習(xí)網(wǎng)絡(luò)輸出魚(yú)體背鰭圖像，并將魚(yú)體背鰭圖像的掩膜對(duì)應(yīng)與步驟S1中采集的大黃魚(yú)圖像進(jìn)行點(diǎn)乘，獲得與原圖像的像素值及尺寸大小一致的魚(yú)體背鰭圖像，由魚(yú)體背鰭圖像組成魚(yú)體背鰭圖像數(shù)據(jù)集；

S7、對(duì)步驟S6得到的魚(yú)體背鰭圖像數(shù)據(jù)集中的圖像進(jìn)行圖像增強(qiáng)處理，得到處理后的魚(yú)體背鰭圖像數(shù)據(jù)集；

S8、對(duì)步驟S7得到的處理后的魚(yú)體背鰭圖像數(shù)據(jù)集中的圖像進(jìn)行分割，得到圖像分類數(shù)據(jù)集；

S9、將步驟S8所得的圖像分類數(shù)據(jù)集按比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

S10、采用Efficientnet神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建大黃魚(yú)背鰭圖像分類模型；

S11、利用步驟S9所得的訓(xùn)練集和驗(yàn)證集來(lái)對(duì)步驟S10中的大黃魚(yú)背鰭圖像分類模型進(jìn)行訓(xùn)練，得到大黃魚(yú)病害圖像識(shí)別模型；

S12、將步驟S9所得的測(cè)試集圖像輸入到步驟S11得到的大黃魚(yú)病害圖像識(shí)別模型中進(jìn)行測(cè)試，得到最優(yōu)大黃魚(yú)病害圖像識(shí)別模型。

S13、根據(jù)最優(yōu)大黃魚(yú)病害圖像識(shí)別模型來(lái)設(shè)計(jì)手機(jī)端APP程序，通過(guò)拍攝圖片完成在養(yǎng)殖過(guò)程中隱核蟲(chóng)病的識(shí)別。

2.根據(jù)權(quán)利要求1所述的一種基于圖像識(shí)別技術(shù)的大黃魚(yú)刺激隱核蟲(chóng)病的診斷方法，其特征在于：在步驟S2中，所述的對(duì)所選取的大黃魚(yú)圖像中的魚(yú)體背鰭以及所選取的養(yǎng)殖桶底圖像中的包囊分別進(jìn)行人工手動(dòng)標(biāo)注的具體過(guò)程為：利用軟件Labelbox對(duì)步驟S1中所獲得的大黃魚(yú)圖像中的背鰭和養(yǎng)殖桶底的包囊分別進(jìn)行人工標(biāo)注，將患有隱核蟲(chóng)病的大黃魚(yú)圖像中的大黃魚(yú)的背鰭部分、健康的大黃魚(yú)圖像中的大黃魚(yú)的背鰭部分以及具有包囊的養(yǎng)殖桶底圖像中的包囊部分的像素值均標(biāo)注為1，魚(yú)體其他部分和背景部分的像素標(biāo)記為0，并提取像素值為1的部分，得到若干張具有標(biāo)記的大黃魚(yú)背鰭圖像以及若干張具有標(biāo)記的養(yǎng)殖桶底包囊圖像。

3.根據(jù)權(quán)利要求2所述的一種基于圖像識(shí)別技術(shù)的大黃魚(yú)刺激隱核蟲(chóng)病的診斷方法，其特征在于：在步驟S3中，所述的對(duì)步驟S2得到的兩個(gè)文件夾中的圖像分別進(jìn)行數(shù)據(jù)增廣操作的具體過(guò)程為：在OpenCV函數(shù)庫(kù)中調(diào)集相關(guān)的函數(shù)，利用python語(yǔ)言對(duì)步驟S2中得到的兩個(gè)文件夾中具有標(biāo)記的圖像進(jìn)行改變亮度、加噪點(diǎn)、放大和縮小以及改變鏡像來(lái)進(jìn)行圖像數(shù)據(jù)的擴(kuò)充。