[發(fā)明專利]基于改進(jìn)YOLOv4和FIRN的魚類個(gè)體身份識(shí)別方法

在審

• 申請?zhí)枺?/td>: 202211346638.1
• 申請日: 2022-10-31
• 公開（公告）號(hào): CN115631404A
• 公開（公告）日: 2023-01-20
• 發(fā)明（設(shè)計(jì)）人: 吳俊峰;高春奇;于紅;殷健豪;郭世豪;劉梁
• 申請（專利權(quán)）人: 大連海洋大學(xué)
• 主分類號(hào): G06V20/05
• 分類號(hào): G06V20/05;G06V10/764;G06V10/77;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京知藝互聯(lián)知識(shí)產(chǎn)權(quán)代理有限公司 16137
• 代理人: 陳艷

1.基于改進(jìn)YOLOv4和FIRN的魚類個(gè)體身份識(shí)別方法，其特征在于，包括，

S1：采集水下魚類圖像，組成魚類個(gè)體目標(biāo)檢測數(shù)據(jù)集并進(jìn)行預(yù)處理；

S2：將處理后的目標(biāo)檢測數(shù)據(jù)集輸入至魚類個(gè)體目標(biāo)檢測模塊中，目標(biāo)檢測模塊基于YOLOv4網(wǎng)絡(luò)進(jìn)行魚類個(gè)體目標(biāo)檢測的訓(xùn)練和測試；

S3：基于目標(biāo)檢測模塊輸出的預(yù)測框坐標(biāo)對魚類個(gè)體目標(biāo)進(jìn)行自動(dòng)裁剪，將裁剪出來的魚類個(gè)體圖片組成身份識(shí)別數(shù)據(jù)集并進(jìn)行預(yù)處理；

S4：將處理后的身份識(shí)別數(shù)據(jù)集輸入至魚類個(gè)體身份識(shí)別模塊中，身份識(shí)別模塊基于FIRN網(wǎng)絡(luò)進(jìn)行魚類個(gè)體身份識(shí)別的訓(xùn)練和測試；FIRN網(wǎng)絡(luò)采用ResNe xt50網(wǎng)絡(luò)進(jìn)行特征提取，并采用Arcface Loss進(jìn)行損失計(jì)算；

S5：將目標(biāo)檢測模塊和身份識(shí)別模塊進(jìn)行融合，然后將魚類視頻或圖片輸入到融合后的模型中，實(shí)現(xiàn)對魚類個(gè)體的目標(biāo)檢測與身份識(shí)別。

2.根據(jù)權(quán)利要求1所述的魚類個(gè)體身份識(shí)別方法，其特征在于，S1中目標(biāo)檢測數(shù)據(jù)集的預(yù)處理為，采用labelimg工具對采集到的魚類圖像進(jìn)行手動(dòng)標(biāo)注，標(biāo)注方式為createRectBox，標(biāo)簽為fish，標(biāo)注文件格式為xml，最后將標(biāo)注完畢的數(shù)據(jù)集轉(zhuǎn)為VOC數(shù)據(jù)集格式。

3.根據(jù)權(quán)利要求1所述的魚類個(gè)體身份識(shí)別方法，其特征在于，S2中YOL Ov4網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)CSP Darknet53替換為MobilenetV3網(wǎng)絡(luò)，加強(qiáng)特征提取網(wǎng)絡(luò)PANet中的3×3卷積全部替換為深度可分離卷積。

4.根據(jù)權(quán)利要求1所述的魚類個(gè)體身份識(shí)別方法，其特征在于，S3中身份識(shí)別數(shù)據(jù)集的預(yù)處理為，將不同身份的魚類個(gè)體分別放入不同的文件夾中，且對每一個(gè)身份類別的圖片都進(jìn)行-20度至20度的隨機(jī)旋轉(zhuǎn)，進(jìn)行數(shù)據(jù)增強(qiáng)。

5.根據(jù)權(quán)利要求1所述的魚類個(gè)體身份識(shí)別方法，其特征在于，S4中Res Next50網(wǎng)絡(luò)的殘差塊中嵌入了CBAM注意力機(jī)制，且殘差塊先進(jìn)行批量歸一化再進(jìn)行卷積；去掉最大池化層和平均池化層，其后采用BN-Dropout-FC-BN結(jié)構(gòu)；在殘差塊中引入膨脹卷積，主干網(wǎng)絡(luò)仍使用標(biāo)準(zhǔn)卷積；使用Hard-Swish激活函數(shù)代替ReLu激活函數(shù)。