基于深度学习的鱼类识别方法、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深度学习的鱼类识别方法，包括：获取鱼类图片；对有鱼区域进行标定，并生成有鱼区域对应的描述文件，以及将描述文件与鱼类图片进行关联；建立数据集，其中，数据集划分成训练集、验证集和测试集；进行基准模型的训练；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，以生成鱼类识别模型；将测试集输入鱼类识别模型，以生成第二预估结果，并根据第二预估结果生成鱼类识别模型的泛化性能评分；以及确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。相应地，本发明专利技术还公开了一种计算机可读存储介质、终端设备以及基于深度学习的鱼类识别装置，可实现对鱼类信息的精准识别。

Fish Recognition Method, Medium, Terminal Equipment and Device Based on Deep Learning

The invention discloses a fish recognition method based on in-depth learning, which includes: acquiring fish images; calibrating fish areas, generating description files corresponding to fish areas, and associating description files with fish images; establishing data sets, in which data are divided into training sets, verification sets and testing sets. Set; train the benchmark model; input the validation set into the benchmark model to generate the first prediction result, and adjust the parameters of the benchmark model according to the first prediction result to generate the fish identification model; input the test set into the fish identification model to generate the second prediction result, and generate the fish identification according to the second prediction result. The generalization performance score of each model and the final fish identification model are determined, and fish identification is carried out according to the final fish identification model. Accordingly, the invention also discloses a computer readable storage medium, a terminal device and a fish identification device based on in-depth learning, which can realize accurate identification of fish information.

【技术实现步骤摘要】
基于深度学习的鱼类识别方法、介质、终端设备及装置
本专利技术涉及图像识别
，特别涉及一种基于深度学习的鱼类识别方法、介质、终端设备及装置。
技术介绍
随着渔业的发展，水产品消费在食物消费中的地位越来越高。消费也从温饱型转为营养型，消费者开始愿意花费更多的代价去获取更珍贵且营养价值更高的鱼产品。然而，有些鱼产品其外观十分相似(例如油鱼和鳕鱼)，缺乏鱼产品专业知识的人很难将其分辨。基于此，某些不良鱼商常以低价值的鱼产品冒充高价值的鱼产品进行贩卖，以获取高额的利润。因此，急需一种鱼类识别方法，以实现对鱼产品的类别进行识别，避免消费者因无法识别鱼产品类别而造成财产的损失。
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深度学习的鱼类识别方法，可以实现对鱼产品类别的精准识别，避免消费者因无法识别鱼产品类别而造成财产的损失。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深度学习的鱼类识别装置。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深度学习的鱼类识别方法，包括以下步骤：对鱼类样本进行拍摄，以获取鱼类图片；根据所述鱼类图片对有鱼区域进行标定，并生成所述有鱼区域对应的描述文件，以及将所述描述文件与所述鱼类图片进行关联；根据每张所述鱼类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，以生成鱼类识别模型；将所述测试集输入所述鱼类识别模型，以生成第二预估结果，并根据所述第二预估结果生成所述鱼类识别模型的泛化性能评分；根据所述泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。根据本专利技术实施例的基于深度学习的鱼类识别方法，首先对鱼类样本进行拍摄，获取鱼类图片；然后根据鱼类图片对有鱼区域进行标定，并生成有鱼区域对应的描述文件，以及将描述文件与鱼类图片进行关联；接着，根据每张鱼类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，以生成鱼类识别模型；最后，将测试集输入鱼类识别模型，以生成第二预估结果，并根据第二预估结果生成鱼类识别模型的泛化性能评分；以及根据泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别；从而实现对获取到的鱼类图片进行鱼类信息的精准识别，避免消费者因无法识别鱼产品类别而造成财产的损失；同时，可识别鱼类图片中的有鱼区域，进而可根据有鱼区域的数量进行鱼类数量的统计。另外，根据本专利技术上述实施例提出的基于深度学习的鱼类识别方法还可以具有如下附加的技术特征：可选地，根据所述第一预估结果调整基准模型的参数，以生成鱼类识别模型，包括：判断所述第一预估结果与对应的鱼类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鱼类识别模型。可选地，根据所述训练集进行基准模型的训练，包括：提取所述训练集中鱼类图片的图像特征，以生成特征图片，并将所述特征图片与所述鱼类图片进行关联；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，提取所述训练集中鱼类图片的图像特征，以生成特征图片，包括：通过VGG网络对所述鱼类图片进行卷积计算，以提取所述鱼类图片的特征信息；对所述特征信息进行池化处理，以生成特征图片。可选地，对鱼类样本进行拍摄，以生成鱼类图片，包括：对鱼类样本进行不同形态和不同角度的视频拍摄，以生成样本视频；按照预设的采集频率提取所述样本视频的图像帧，以生成鱼类图片。可选地，所述基准模型为FastRCNN模型。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，其上存储有基于深度学习的鱼类识别程序，该基于深度学习的鱼类识别程序在被处理器执行时实现如上述的基于深度学习的鱼类识别方法。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深度学习的鱼类识别程序，所述处理器执行所述基于深度学习的鱼类识别程序时实现上述的基于深度学习的鱼类识别方法。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深度学习的鱼类识别装置，包括：采集模块，用于对鱼类样本进行拍摄，以获取鱼类图片；标定模块，用于根据所述鱼类图片对有鱼区域进行标定，并生成所述有鱼区域对应的描述文件，以及将所述描述文件与所述鱼类图片进行关联；数据处理模块，用于根据每张所述鱼类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，以生成鱼类识别模型；模型测试模块，用于将所述测试集输入所述鱼类识别模型，以生成第二预估结果，并根据所述第二预估结果生成所述鱼类识别模型的泛化性能评分；识别模块，用于根据所述泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。根据本专利技术实施例提供的基于深度学习的鱼类识别装置，首先采集模块对鱼类样本进行拍摄，以获取鱼类图片；并且，标定模块根据鱼类图片对有鱼区域进行标定，并生成有鱼区域对应的描述文件，以及将描述文件与鱼类图片进行关联；然后，数据处理模块根据每张鱼类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；接着，模型训练模块根据训练集进行基准模型的训练；模型验证模块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，以生成鱼类识别模型；模型测试模块将测试集输入鱼类识别模型，以生成第二预估结果，并根据第二预估结果生成鱼类识别模型的泛化性能评分；最后，识别模块根据泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别；从而实现对获取到的鱼类图片进行鱼类信息的精准识别，避免消费者因无法识别鱼产品类别而造成财产的损失；同时，可识别鱼类图片中的有鱼区域，进而可根据有鱼区域的数量进行鱼类数量的统计。附图说明图1为根据本专利技术实施例的基于深度学习的鱼类识别方法的流程示意图；图2为根据本专利技术另一实施例的基于深度学习的鱼类识别方法的流程示意图；图3为根据本专利技术实施例的基于深度学习的鱼类识别装置的方框示意图；图4为根据本专利技术实施例生成的鱼类图片的示意图；图5为根据本专利技术实施例的VGG-16网络的结构示意图；图6为根据本专利技术实施例的卷积计算方式示意图；图7为根据本专利技术实施本文档来自技高网...

【技术保护点】
1.一种基于深度学习的鱼类识别方法，其特征在于，包括以下步骤：对鱼类样本进行拍摄，以获取鱼类图片；根据所述鱼类图片对有鱼区域进行标定，并生成所述有鱼区域对应的描述文件，以及将所述描述文件与所述鱼类图片进行关联；根据每张所述鱼类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，以生成鱼类识别模型；将所述测试集输入所述鱼类识别模型，以生成第二预估结果，并根据所述第二预估结果生成所述鱼类识别模型的泛化性能评分；根据所述泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。

【技术特征摘要】
1.一种基于深度学习的鱼类识别方法，其特征在于，包括以下步骤：对鱼类样本进行拍摄，以获取鱼类图片；根据所述鱼类图片对有鱼区域进行标定，并生成所述有鱼区域对应的描述文件，以及将所述描述文件与所述鱼类图片进行关联；根据每张所述鱼类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，以生成鱼类识别模型；将所述测试集输入所述鱼类识别模型，以生成第二预估结果，并根据所述第二预估结果生成所述鱼类识别模型的泛化性能评分；根据所述泛化性能评分确定最终鱼类识别模型，并根据最终鱼类识别模型进行鱼类识别。2.如权利要求1所述的基于深度学习的鱼类识别方法，其特征在于，根据所述第一预估结果调整基准模型的参数，以生成鱼类识别模型，包括：判断所述第一预估结果与对应的鱼类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鱼类识别模型。3.如权利要求1所述的基于深度学习的鱼类识别方法，其特征在于，根据所述训练集进行基准模型的训练，包括：提取所述训练集中鱼类图片的图像特征，以生成特征图片，并将所述特征图片与所述鱼类图片进行关联；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所述的基于深度的鱼类识别方法，其特征在于，提取所述训练集中鱼类图片的图像特征，以生成特征图片，包括：通过VGG网络对所述鱼类图片进行卷积计算，以提取所述鱼类图片的特征信息；对所述特征...

【专利技术属性】
技术研发人员：刘向荣，刘敏，龚瑞，方旅平，徐嘉熠，詹讯，柳娟，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35