基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的对虾形态测量方法，包括：对对虾样本和参照物进行拍摄，以获取样本图片；根据样本图片对目标区域进行标定，并生成目标区域对应的描述文件，将描述文件与样本图片关联；根据样本图片以及描述文件建立数据集，根据数据集生成对虾形态测量模型；对测试集中的样本图片进行预处理，以生成测试图片；将测试图片输入对虾形态测量模型，以生成泛化性能评分；根据泛化性能评分确定最终对虾形态测量模型，并根据最终测量模型进行对虾形态测量；本发明专利技术还公开了一种计算机可读存储介质、终端设备以及基于卷积神经网络的对虾形态测量装置；从而实现对对虾形态参数高效、精准地测量，节约对虾育种过程中所需的人力和物力。

Method, Medium, Terminal Equipment and Device of Shrimp Morphology Measurement Based on Convolutional Neural Network

The invention discloses a shrimp morphology measurement method based on convolution neural network, which includes: taking shrimp samples and reference objects to obtain sample pictures; calibrating target areas according to sample pictures, and generating description files corresponding to target areas, and associating description files with sample pictures; and according to samples. Pictures and descriptive files are used to build data sets and generate prawn morphology measurement model based on data sets; sample pictures in test set are preprocessed to generate test pictures; test pictures are input into prawn morphology measurement model to generate generalization performance score; and finally prawn morphology measurement model is determined according to generalization performance score. The invention also discloses a computer readable storage medium, terminal equipment and a shrimp morphology measurement device based on convolution neural network, thereby realizing efficient and accurate measurement of shrimp morphological parameters and saving manpower and material needed in shrimp breeding process. Power.

【技术实现步骤摘要】
基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
本专利技术涉及图像识别
，特别涉及一种基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置。
技术介绍
对虾是我国水产品的重要组成部分，人们可以通过食用对虾摄取大量蛋白质。同时，我国是全世界最大对虾消费国和第二大对虾进口国。因此，对虾对于人们的生活来说是必不可少的。在对对虾进行育种的过程中，需要对对虾进行测量以获取对虾的形态参数(例如头胸甲长度、体重、体长等)，该形态参数可作为研究人员选择育种方案的依据。其中，现有技术对于对虾的形态参数测量的主要方法是手工测量，即通过游标卡尺等测量工具对对虾的形态参数进行手工测量。这种方式工作效率低，工作量巨大，并且因为人为等因素其测量结果误差较大，严重影响后续的数据分析以及育种方案的选择。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于卷积神经网络的对虾形态测量方法，可以实现对对虾形态参数高效、精准地测量，且能够节约对虾育种过程中形态参数测量所需的人力和物力，保证对虾育种方案选择的准确性。本专利技术的第二个目的在于提出一种计算机可读存储介质。本专利技术的第三个目的在于提出一种终端设备。本专利技术的第四个目的在于提出一种基于卷积神经网络的对虾形态测量装置。为达到上述目的，本专利技术第一方面实施例提出的一种基于卷积神经网络的对虾形态测量方法，包括以下步骤：对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；根据所述样本图片对目标区域进行标定，并生成所述目标区域对应的描述文件，以及将所述描述文件与所述样本图片进行关联；根据每张所述样本图片以及对应的描述文件建立数据集，其中，所述数据集划分成训练集、验证集和测试集；根据所述训练集进行基准模型的训练；将所述验证集输入基准模型，以生成第一预估结果，并根据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型；对所述测试集中的样本图片进行预处理，以生成测试图片；将所述测试图片输入所述对虾形态测量模型，以生成第二预估结果，并根据所述第二预估结果生成所述对虾形态测量模型的泛化性能评分；根据所述泛化性能评分确定最终对虾形态测量模型，并根据最终对虾形态测量模型进行对虾形态测量。根据本专利技术实施例的基于卷积神经网络的对虾形态测量方法，首先对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；接着，根据样本图片对目标区域进行标定，并生成目标区域对应的米搜狐文件，以及将描述文件与样本图片进行关联；然后，根据每张样本图片以及对应的描述文件建立数据集，其中，数据集划分成训练集、验证集和测试集；数据集划分完成之后，根据训练集进行基准模型的训练，然后将验证集输入基准模型，以生成第一预估结果，并根据第一预估结果调整基准模型的参数，以生成对虾形态测量模型；最后，对测试集中的样本图片进行预处理，以生成测试图片；并将测试图片输入对虾形态测量模型，以生成第二预估结果，并根据第二预估结果生成对虾形态测量模型的泛化性能评分；以及根据泛化性能评分确定最终对虾形态测量模型，并根据最终对虾形态测量模型进行对虾形态测量；从而实现对对虾形态参数高效、精准地测量，节约对虾育种过程中形态参数测量所需的人力和物力，并保证对虾育种方案选择的准确性。另外，根据本专利技术上述实施例提出的基于卷积神经网络的对虾形态测量方法还可以具有如下附加的技术特征：可选地，据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型，包括：判断所述第一预估结果与对应的样本图片所关联的描述文件是否一致以获得所述第一预估结果的准确率，并判断所述第一预估结果的准确率是否达到预设准确率阈值；如果所述第一预估结果的准确率未达到预设准确率阈值，则对所述基准模型的参数进行调整，以根据所述验证集对所述基准模型进行迭代训练，直至将所述第一预估结果的准确率达到预设准确率阈值的基准模型作为对虾形态测量模型。可选地，根据所述训练集进行基准模型的训练，包括：提取所述训练集中样本图片的图像特征，以生成特征图片，并将所述特征图片与所述样本图片进行关联；根据所述特征图片训练区域生成网络，以获取所述特征图片中所有候选区域及每个候选区域的可能性评分；根据所述特征图片、所有候选区域及每个候选区域的可能性评分进行基准模型的训练。可选地，提取所述训练集中样本图片的图像特征，以生成特征图片，包括：通过ZF网络对所述样本图片进行卷积计算，以提取所述样本图片的特征信息；对所述特征信息进行池化处理，以生成特征图片。可选地，对所述测试集中的样本图片进行预处理，以生成测试图片，包括：去除所述测试集中的样本图片的参照物像素，以生成第一预处理图片；将所述第一预处理图片输入对虾测量模型，以生成第二预处理图片；根据所述第二预处理图片中的目标区域对所述第二预处理图片进行水平校正，以生成测试图片。可选地，所述基准模型为FastRCNN模型。可选地，对所述数据集进行划分以生成训练与验证总和文本文件、训练文本文件、验证文本文件和测试文本文件。为达到上述目的，本专利技术第二方面实施例提出的一种计算机可读存储介质，其上存储有基于卷积神经网络的对虾形态测量程序，该基于卷积神经网络的对虾形态测量程序在被处理器执行时实现如上述的基于卷积神经网络的对虾形态测量方法。为达到上述目的，本专利技术第三方面实施例提出的一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于卷积神经网络的对虾形态测量程序，所述处理器执行所述基于卷积神经网络的对虾形态测量程序时实现上述的基于卷积神经网络的对虾形态测量方法。为达到上述目的，本专利技术第四方面实施例提出的一种基于卷积神经网络的对虾形态测量装置，包括：采集模块，用于对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；标定模块，用于根据所述样本图片对目标区域进行标定，并生成所述目标区域对应的描述文件，以及将所述描述文件与所述样本图片进行关联；数据处理模块，用于根据每张所述样本图片以及对应的描述文件建立数据集，其中，所述数据集划分成训练集、验证集和测试集；模型训练模块，用于根据所述训练集进行基准模型的训练；模型验证模块，用于将所述验证集输入基准模型，以生成第一预估结果，并根据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型；测试图片生成模块，用于对所述测试集中的样本图片进行预处理，以生成测试图片；模型测试模块，将所述测试图片输入所述对虾形态测量模型，以生成第二预估结果，并根据所述第二预估结果生成所述对虾形态测量模型的泛化性能评分；识别模块，根据所述泛化性能评分确定最终对虾形态测量模型，并根据最终对虾形态测量模型进行对虾形态测量。根据本专利技术实施例提供的基于卷积神经网络的对虾形态测量装置，首先通过采集模块对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；接着，标定模块根据样本图片对目标区域进行标定，并生成目标区域对应的描述文件，以及将描述文件与样本图片进行关联；然后，数据处理模块根据每张样本图片以及对应的描述文件建立数据集，其中，数据集划分成训练集、验证集和测试集；数据集划分完成之后，模型训练模块根据训练集进行基准模型本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的对虾形态测量方法，其特征在于，包括以下步骤：对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；根据所述样本图片对目标区域进行标定，并生成所述目标区域对应的描述文件，以及将所述描述文件与所述样本图片进行关联；根据每张所述样本图片以及对应的描述文件建立数据集，其中，所述数据集划分成训练集、验证集和测试集；根据所述训练集进行基准模型的训练；将所述验证集输入基准模型，以生成第一预估结果，并根据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型；对所述测试集中的样本图片进行预处理，以生成测试图片；将所述测试图片输入所述对虾形态测量模型，以生成第二预估结果，并根据所述第二预估结果生成所述对虾形态测量模型的泛化性能评分；根据所述泛化性能评分确定最终对虾形态测量模型，并根据最终对虾形态测量模型进行对虾形态测量。

【技术特征摘要】
1.一种基于卷积神经网络的对虾形态测量方法，其特征在于，包括以下步骤：对对虾样本和参照物进行拍摄，并对拍摄得到的图片进行归一化处理，以获取样本图片；根据所述样本图片对目标区域进行标定，并生成所述目标区域对应的描述文件，以及将所述描述文件与所述样本图片进行关联；根据每张所述样本图片以及对应的描述文件建立数据集，其中，所述数据集划分成训练集、验证集和测试集；根据所述训练集进行基准模型的训练；将所述验证集输入基准模型，以生成第一预估结果，并根据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型；对所述测试集中的样本图片进行预处理，以生成测试图片；将所述测试图片输入所述对虾形态测量模型，以生成第二预估结果，并根据所述第二预估结果生成所述对虾形态测量模型的泛化性能评分；根据所述泛化性能评分确定最终对虾形态测量模型，并根据最终对虾形态测量模型进行对虾形态测量。2.如权利要求1所述的基于卷积神经网络的对虾形态测量方法，其特征在于，根据所述第一预估结果调整基准模型的参数，以生成对虾形态测量模型，包括：判断所述第一预估结果与对应的样本图片所关联的描述文件是否一致以获得所述第一预估结果的准确率，并判断所述第一预估结果的准确率是否达到预设准确率阈值；如果所述第一预估结果的准确率未达到预设准确率阈值，则对所述基准模型的参数进行调整，以根据所述验证集对所述基准模型进行迭代训练，直至将所述第一预估结果的准确率达到预设准确率阈值的基准模型作为对虾形态测量模型。3.如权利要求1所述的基于卷积神经网络的对虾形态测量方法，其特征在于，根据所述训练集进行基准模型的训练，包括：提取所述训练集中样本图片的图像特征，以生成特征图片，并将所述特征图片与所述样本图片进行关联；根据所述特征图片训练区域生成网络，以获取所述特征图片中所有候选区域及每个候选区域的可能性评分；根据所述特征图片、所有候选区域及每个候选区域的可能性评分进行基准模型的训练。4.如权利要求3所述的基于卷积神经网络的对虾形态测量方法，其特征在于，提取所述训练集中样本图片的图像特征，以生成特征图片，包括：通过ZF网络对所述样本图片进行卷积计算，以提取所述样本图片的特征信息；对所述特征信息进行池化处理，以生成特征图片。5.如权利要求1所述的基于卷积神经网络的对虾形态...

【专利技术属性】
技术研发人员：刘向荣，毛勇，龚瑞，柳娟，曾湘祥，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35