一种水下海参识别方法及系统技术方案

本发明专利技术实施例提供水下海参识别方法及系统，其中，所提供的方法包括：获取水下海参图像；将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。本发明专利技术实施例提供的方法，将深度学习算法适应性地迁移到水下图像领域，并做一些适应性地改进，提升水下海参检测的准确率。使YOLOv3算法能应用到水下真实环境中，克服由于环境复杂而难以精确实时地识别和定位水下海参的实际困难，能很好的适应自动检测和自动捕捞等实际应用需求。

【技术实现步骤摘要】
一种水下海参识别方法及系统
本专利技术实施例涉及计算机
，尤其涉及一种水下海参识别方法及系统。
技术介绍
海参是生活在近海至8000米海域的一种棘皮动物，距今已有六亿多年。我国海参资源丰富，约有140种，主要的食用海参有光参、刺参、梅花参等20余种。海参全身长满肉刺，具有很高的营养价值，近年来其养殖规模逐渐扩大，2004至2017年海参产量从几千吨增大到20万吨，养殖面积达到22万公顷。但以海参产业为代表的水产养殖领域目前的自动化水平还很低，主要依靠人工养殖捕捞，人工潜水捕捞的人力和经济成本高，而且潜水捕捞员非常辛苦，存在较大人身安全隐患。机器视觉作为感知水下世界的重要技术之一，正在越来越多的应用于海洋和渔业工程的各个方面，为海洋学和渔业科学研究提供了丰富的信息，为智慧海洋、智慧渔业的发展提供了技术手段。水下图像目标检测技术作为其分支，搭载于水下机器人上，实现了将图像和视频分析、生物量检测、生物识别查找等应用于水下环境，促进了海洋探测及渔业自动化的发展，然而，由于水下环境光学成像通常光照不足、噪声强、对比度低、画面偏色严重，而且水下目标通常拥有和环境相似的保护色，以上因素都大大限制了传统图像目标检测算法在水下图像中的性能发挥。现有的水下环境识别技术大多基于手工设计的特征(如颜色、形状、纹理、SIFT、HOG、DPM等)提取图像目标特征，然后采用模式识别方法对目标进行识别定位。但是手工设计特征费时费力，而且对水下复杂背景的鲁棒性不好，识别准确度难以提升。
技术实现思路
本专利技术实施例提供一种水下海参识别方法及系统，用以解决现有技术中水下环境识别技术大多基于手工设计的特征来提取图像目标特征，手工设计特征费时费力，而且对水下复杂背景的鲁棒性不好，识别准确度难以提升的问题。第一方面，本专利技术实施例提供一种水下海参识别方法，包括：获取水下海参图像；将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。通过多尺度卷积神经网络MSCNN去躁算法，对所述水下海参图像进行降噪处理，获得降噪后的水下海参图像。其中，所述方法还包括：获取多张包含海参的水下图像，对所包含海参的水下图像中的海参通过标注框进行标注，构建训练样本集，通过所述训练样本集，对YOLOv3网络进行训练，获得基于YOLOv3网络的海参识别模型。其中，所述对所包含海参的水下图像中的海参通过标注框进行标注的步骤，具体包括：将所述包含海参的水下图像中的海参通过倾斜矩形框进行标注，计算获得所述倾斜矩形框的边界框中心坐标、边界框的宽、边界框的高和边界框的倾斜角度。其中，所述通过所述训练样本集，对YOLOv3网络进行训练，获得基于YOLOv3网络的海参识别模型的步骤具体包括：将所述包含海参的水下图像输入到YOLOv3网络中，获取目标尺度的特征图谱；对所述包含海参的水下图像划分为多个网格单元，在每个所述网格单元中设定一定数量的先验锚框，将所述先验锚框和所述训练样本集中对应的包含海参的水下图像中的倾斜矩形框映射到所述目标尺度的特征图谱中，将所述特征图谱中先验锚框标出的候选区域与映射在特征图谱中的标注倾斜矩形框进行比对，获取所述候选区域与所述倾斜矩形框的重叠面积；将所述候选区域与所述倾斜矩形框的重叠面积大于第一预设阈值的候选区域标注为正样本；将所述候选区域与所述倾斜矩形框的重叠面积小于第二预设阈值的候选区域标注为负样本。其中，所述获取目标尺度的特征图谱的步骤还包括：获取多个在不同目标尺度下的特征图谱，将所述先验锚框和所述训练样本集中对应的包含海参的水下图像中的倾斜矩形框映射到所述多个不同目标尺度的特征图谱中，将所述多个不同尺度下的特征图谱中先验锚框标出的候选区域与映射在特征图谱中的标注倾斜矩形框进行比对，获取所述候选区域与所述倾斜矩形框的重叠面积。其中，所述将所述候选区域与所述倾斜矩形框的重叠面积大于预设阈值的候选区域标注为正样本的步骤之后，还包括：通过软非极大值抑制算法，对所述包含海参的水下图像中，任一所述网格单元内的多个候选区域进行筛选，将其中得分最高的候选区域作为所述任一海参的目标候选区域，将与得分最高的候选区域重叠的候选框用分数衰减函数重置得分。。第二方面，本专利技术实施例还提供一种水下海参识别系统，包括：图像获取模块，用于获取水下海参图像；识别模块，用于将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。第三方面，本专利技术实施例还提供一种电子设备，包括处理器、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如上述第一方面所提供的水下海参识别方法。第四方面，本专利技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的水下海参识别方法。本专利技术实施例提供的水下海参识别方法及系统，将深度学习算法适应性地迁移到水下图像领域，并做一些适应性地改进，提升水下海参目标检测的准确率。使YOLOv3算法能应用到水下真实环境中，克服由于环境复杂而难以精确实时地识别和定位水下海参的实际困难，能很好的适应自动检测和自动捕捞等实际应用需求。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的水下海参识别方法的流程示意图；图2为本专利技术一实施例提供的水下海参识别方法中，常规矩形框标注和倾斜矩形框标注的对比图；图3为本专利技术一实施例提供的水下海参识别方法中边界框坐标示意图；图4为本专利技术一实施例提供的水下海参识别方法中，Dark53网络的结构示意图；图5为本专利技术一实施例提供的水下海参识别方法中多尺度目标先验示意图；图6为本专利技术一实施例提供的水下海参识别系统的结构示意图；图7为本专利技术一实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术一实施例提供的水下海参识别方法的流程示意图，参考图1，本实施例提供的方法包括：S1、获取水下海参图像；S2、将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。具体的，通过对水下图像进行采集，采集到的水下图像中可能包含有海参，将采集到的水下图像输入到预设的基于YOLOv3网络的海参识别模型中，其中，YOLOv3的基础分类网络使用了一个53层的卷积网络，这个网络由残差单元叠加而成。在分类准确度跟速度的平衡上，该模型比ResNet-101、ResNet-152和Darknet-本文档来自技高网...

【技术保护点】
1.一种水下海参识别方法，其特征在于，包括：获取水下海参图像；将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。

【技术特征摘要】
1.一种水下海参识别方法，其特征在于，包括：获取水下海参图像；将所述水下海参图像输入到预设的基于YOLOv3网络的海参识别模型中，通过模型计算，获得水下海参图像中海参的位置信息，输出海参检测图像。2.根据权利要求1所述的方法，其特征在于，所述获取水下海参图像的步骤之后，还包括：通过多尺度卷积神经网络MSCNN去躁算法，对所述水下海参图像进行降噪处理，获得降噪后的水下海参图像。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多张包含海参的水下图像，对所包含海参的水下图像中的海参通过标注框进行标注，构建训练样本集，通过所述训练样本集，对YOLOv3网络进行训练，获得基于YOLOv3网络的海参识别模型。4.根据权利要求3所述的方法，其特征在于，所述对所包含海参的水下图像中的海参通过标注框进行标注的步骤，具体包括：将所述包含海参的水下图像中的海参通过倾斜矩形框进行标注，计算获得所述倾斜矩形框的边界框中心坐标、边界框的宽、边界框的高和边界框的倾斜角度。5.根据权利要求4所述的方法，其特征在于，所述通过所述训练样本集，对YOLOv3网络进行训练，获得基于YOLOv3网络的海参识别模型的步骤具体包括：将所述包含海参的水下图像输入到YOLOv3网络中，获取目标尺度的特征图谱；对所述包含海参的水下图像划分为多个网格单元，在每个所述网格单元中设定一定数量的先验锚框，将所述先验锚框和所述训练样本集中对应的包含海参的水下图像中的倾斜矩形框映射到所述目标尺度的特征图谱中，将所述特征图谱中先验锚框标出的候选区域与映射在特征图谱中的标注倾斜矩形框进行比对，获取所述候选区域与所述倾斜矩形框的重叠面积；将所述候选区...

【专利技术属性】
技术研发人员：李振波，彭芳，苗政，钮冰姗，李光耀，杨晋琪，岳峻，李道亮，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11