一种基于深度学习的鱼类定位检测和识别方法及系统技术方案

本发明专利技术提供一种基于深度学习的鱼类定位检测和识别方法及系统，其中方法包括：将待识别图像输入第一预设神经网络，根据第一预设神经网络的输出结果，获得待识别图像中每条鱼对应的目标框；将每个目标框对应的图像输入第二预设神经网络，根据第二神经网络的输出结果，获得每个目标框中鱼的种类；其中，第一预设神经网络是根据带有目标框标记的样本图像进行训练后获得；第二预设神经网络是根据带有种类标记的样本图像进行训练后获得。该方法及系统有效确保了检测结果和识别结果的准确性，具有良好的抗干扰性和鲁棒性；避免了传统图像识别中通过人工提取和选择特征所导致的识别结果不准确且效率低下的问题。

【技术实现步骤摘要】
一种基于深度学习的鱼类定位检测和识别方法及系统
本专利技术涉及图像处理
，更具体地，涉及一种基于深度学习的鱼类定位检测和识别方法及系统。
技术介绍
由于海水养殖产业受高温、风灾等自然灾害影响大，抵御风险能力弱，许多暴露的场所与操作方法依靠人工巡查并不方便。水下机器人作为水下监测的辅助工具可以帮助养殖户快速完成日常的监测任务，实时传输回有价值的信息，从而改善渔产养殖质量，省时又省力。水下机器人携带的摄像头把水下的图像通过实时传送设备直接传送到水面上进行图像识别。传统的图像识别一般采用人工提取图像特征的方法，操作者必须具有丰富的先验作支撑。处理步骤包括：图像的滤波去躁、边缘增强、图像区域分割、基于直观的自然特征，如亮度、边缘、纹理、色彩；基于变换或者处理才能得到的特征，如矩、直方图以及主成分。此外，传统的图像识别方法都是基于人工手动选择特征，手动选择特征的方法不仅效率低下，还会导致遗漏重要的特征，导致分类准确率低。随着计算机性能的大幅提升，一些开源的GPU集群并行计算框架相继出现，比较有代表性有Google的TensorFlow、Facebook的Torch、加州大学伯克利的PHD本文档来自技高网...

【技术保护点】
1.一种基于深度学习的鱼类定位检测和识别方法，其特征在于，包括：将待识别图像输入第一预设神经网络，根据所述第一预设神经网络的输出结果，获得所述待识别图像中每条鱼对应的目标框；将每个所述目标框对应的图像输入第二预设神经网络，根据所述第二神经网络的输出结果，获得每个所述目标框中鱼的种类；其中，所述第一预设神经网络是根据带有目标框标记的样本图像进行训练后获得；所述第二预设神经网络是根据带有种类标记的样本图像进行训练后获得。

【技术特征摘要】
1.一种基于深度学习的鱼类定位检测和识别方法，其特征在于，包括：将待识别图像输入第一预设神经网络，根据所述第一预设神经网络的输出结果，获得所述待识别图像中每条鱼对应的目标框；将每个所述目标框对应的图像输入第二预设神经网络，根据所述第二神经网络的输出结果，获得每个所述目标框中鱼的种类；其中，所述第一预设神经网络是根据带有目标框标记的样本图像进行训练后获得；所述第二预设神经网络是根据带有种类标记的样本图像进行训练后获得。2.根据权利要求1所述的方法，其特征在于，所述将待识别图像输入第一预设神经网络，根据所述第一预设神经网络的输出结果，获得所述待识别图像中每条鱼对应的目标框，具体为：将所述待识别图像输入所述第一预设神经网络的卷积层和池化层，获得所述待识别图像对应的特征图；将所述特征图输入所述第一预设神经网络的回归层，利用所述回归层在所述特征图上定位目标框，将所述特征图上的目标框映射到所述待识别图像上，获得所述待识别图像中每条鱼对应的目标框。3.根据权利要求2所述的方法，其特征在于，所述利用所述回归层在所述特征图上定位目标框，具体为：利用所述回归层对所述特征图进行网格划分，在每个网格中预测固定数量的候选框，并获取每个所述候选框的位置参数和前景概率；计算每两个所述候选框之间的交并比，保留所述交并比达到第一预设阈值的两个候选框中前景概率大的候选框；获取每个所述候选框的置信度，将所述置信度达到第二预设阈值的候选框作为所述目标框。4.根据权利要求1所述的方法，其特征在于，所述将每个所述目标框对应的图像输入第二预设神经网络，根据所述第二神经网络的输出结果，获得每个所述目标框中鱼的种类，具体为：将每个所述目标框对应的图像输入所述第二预设神经网络的卷积层和池化层，获得每个所述目标框对应的特征向量；将所述特征向量输入所述第二预设神经网...

【专利技术属性】
技术研发人员：陈英义，龚川洋，刘烨琦，方晓敏，程倩倩，成艳君，于辉辉，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11