基于视频图像感知的自动分鱼系统及装置制造方法及图纸

本发明专利技术涉及图像识别技术领域，具体公开了基于视频图像感知的自动分鱼系统及装置，其中系统包括：采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。采用本发明专利技术的技术方案能解决准确对活鱼进行分类的问题。

Automatic fish separation system and device based on video image perception

【技术实现步骤摘要】
基于视频图像感知的自动分鱼系统及装置
本专利技术涉及图像识别
，特别涉及基于视频图像感知的自动分鱼系统及装置。
技术介绍
无论是从混养的养殖场捕鱼,还是海里的捕鱼,都会存在打捞到不同种类和大小的鱼的情况，即鱼的种类、尺寸和重量方面存在着相当大的差异。由于出售时都是同种鱼进行出售，而且即使同种鱼尺寸和重量不同售价也不同，因此需要对捕获的鱼进行分类。目前，绝大部分按照鱼品种的分类需要人工来完成，劳动强度大，效率低，人工成本相对较高。为此，公开号为CN110125025A的中国专利公开了一种基于图像识别的鱼类自动分拣系统，包括分拣系统和云服务器，所述云服务器与分拣系统通讯连接，所述分拣系统包括图像识别模块、称重模块、测量模块、图像采集模块、库房、分拣模块、图像搜索模块和通讯模块；该方案利用图像识别技术与分拣系统结合对鱼类进行识别分拣，可以同时对鱼进行分类识别等。不再需要人工来完成分类，节省了运营成本，提高了工作效率高。目前多在传送带上对鱼进行运送，然后拍摄鱼的图像，通过图像识别鱼的种类后再自动分类，但是，在需要活鱼出售时，传送带上的鱼处于存活状态；鱼容易在传送带上跳动，导致拍摄的鱼的图像不完整，或不清楚，导致目前的图像识别技术是通过将拍摄的图像与存储的图像进行一一比对来识别的，如果图像不完整，或不清楚，会影响识别的准确率；也会导致分类准确率低。为此，需要一种能准确对活鱼进行分类的自动分鱼系统及装置。
技术实现思路
本专利技术的目的在于提供基于视频图像感知的自动分鱼系统及装置，以解决准确对活鱼进行分类的问题。为解决上述技术问题，本专利技术技术方案如下：基于视频图像感知的自动分鱼系统，包括：采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。基础方案原理及有益效果如下：本方案中，由于鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；卷积神经网络模型在训练后，可以具备同一鱼类不同姿态的识别能力。当采集模块采集活鱼的实时图像后，虽然活鱼容易跳动，导致图像的姿态不确定，但是卷积神经网络模型仍然能够识别，可以对活鱼进行分类。与人工分类相比，效率更高；与传统的图像处理分类相比，准确率更高。进一步，所述卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层。通过设置多个卷积层、池化层和全连接层，充分迭代训练后，可以提高卷积神经网络模型对实时图像的处理能力，提高分类的准确率。进一步，所述鱼类图像训练集中，鱼类训练图像大于10000张。通过丰富的鱼类训练图像对卷积神经网络模型进行迭代训练，能保证训练完成的卷积神经网络模型能达到准确对活鱼进行分类的目的。进一步，所述每一鱼类训练图像均包括类别标签。通过设置类别标签，可以区分鱼的类别，便于对卷积神经网络模型进行训练。进一步，所述采集模块构建鱼类图像训练集时，还对鱼类训练图像进行预处理；预处理包括图像灰度化。灰度化之后的图像与彩色图像相比，数据量更小，能提高卷积神经网络的识别速度。基于视频图像感知的自动分鱼装置，包括用于运送鱼类的主传送带，还包括控制模块和若干分鱼模块；分鱼模块沿主传动带的传送方向均匀分布；分鱼模块包括正对且固定在主传送带两侧的分选机构和承接机构；分选机构用于将主传送带上的鱼类移动至承接机构内；控制模块用于从分类模块中获取分类结果，基于分类结果驱动对应的分选机构。当鱼类在主传送带上被传送时，采集模块采集鱼类的实时图像，分类模块通过训练完成的卷积神经网络模型对鱼进行分类；控制模块获取分类结果后，基于分类结果驱动对应的分选机构，分选机构将主传送带上的鱼类移动至承接机构内，从而完成鱼类分选的整个过程。全程自动化实现、效率高。进一步，所述分选机构包括基座、电动推杆和推板；电动推杆包括固定端和活动端，固定端固定在基座的顶部，活动端与推板固定连接。通过设置推板，便于将鱼从主传送带推入承接结构内。进一步，所述承接机构包括收集框或副传送带。收集框可以方便的将鱼收集起来；采用副传送带，推板将鱼入副传送带上，副传送带可以方便的将分类好的鱼传送至下一加工区域。进一步，所述分选机构还包括红外传感器。设置红外传感器能便于判断鱼是否经过分选机构，便于确定电动推杆的启动时机。进一步，所述推板的横截面为圆弧形。圆弧形的推板可以对鱼进行半包围，防止鱼从推板的两侧逃出。附图说明图1为基于视频图像感知的自动分鱼系统实施例一的逻辑框图；图2为基于视频图像感知的自动分鱼装置实施例一的俯视图。图3为基于视频图像感知的自动分鱼装置实施例三的纵剖图。具体实施方式下面通过具体实施方式进一步详细说明：说明书附图中的附图标记包括：主传送带1、基座2、电动推杆3、推板4、红外传感器5、收集框6、第一储鱼箱7、连接槽8、第二储鱼箱9、挡鱼板10。实施例一如图1所示，基于视频图像感知的自动分鱼系统，包括采集模块、模型构建模块和分类模块。采集模块用于获取预先采集的鱼类训练图像，还对鱼类训练图像进行预处理，然后构建鱼类图像训练集。其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；每一鱼类训练图像均包括类别标签。本实施例中，鱼类图像训练集中，鱼类训练图像总数大于10000张，类别标签包括鲤鱼、鲫鱼、草鱼和鲶鱼等。本实施例中，预处理包括图像灰度化。采集模块还用于采集鱼类的实时图像。本实施例中，采集模块采用摄像头。本实施例中，不同姿态图像是指鱼的形态不同，例如平躺、尾部卷曲、侧躺、头部抬起等。模型构建模块用于建立卷积神经网络模型，卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层；本实施例中为8个卷积层，4个池化层和4个全连接层。将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型。本实施例中，卷积神经网络模型采用现有的卷积神经网络模型进行建立。分类模块用于获取鱼类实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。如图2所示，基于视频图像感知的自动分鱼系统，本实施例还提供基于视频图像感知的自动分鱼装置，包括用于运送鱼类的主传送带1，还包括控制模块和若干分鱼模块。分鱼模块沿主传动带的传送方向均匀分布；本实施例中，分鱼模块的数量为4个，分别用于筛选鲤鱼、鲫鱼、草鱼和鲶鱼。采集模块固定在主传送带1的本文档来自技高网...

【技术保护点】
1.基于视频图像感知的自动分鱼系统，其特征在于，包括：/n采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；/n模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；/n分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。/n

【技术特征摘要】
1.基于视频图像感知的自动分鱼系统，其特征在于，包括：
采集模块，用于获取预先采集的鱼类训练图像，构建鱼类图像训练集；其中，鱼类训练图像中，同一类别的鱼类包括若干不同的姿态图像；采集模块还用于采集鱼类的实时图像；
模型构建模块，用于建立卷积神经网络模型，将鱼类图像训练集输入卷积神经网络模型内进行迭代训练，并输出训练完成的卷积神经网络模型；
分类模块，用于获取鱼类的实时图像，将鱼类实时图像时输入训练完成的卷积神经网络模型，从训练完成的卷积神经网络模型中获取分类结果并输出。


2.根据权利要求1所述的基于视频图像感知的自动分鱼系统，其特征在于：所述卷积神经网络包括5-10个卷积层，3-8个池化层和2-4个全连接层。


3.根据权利要求2所述的基于视频图像感知的自动分鱼系统，其特征在于：所述鱼类图像训练集中，鱼类训练图像大于10000张。


4.根据权利要求3所述的基于视频图像感知的自动分鱼系统，其特征在于：所述每一鱼类训练图像均包括类别标签。


5.根据权利要求4所述的基于视频图像感知的自动分鱼系统，其特征在于：所述采集模块构建鱼类图...

【专利技术属性】
技术研发人员：申渝，杨虹燕，陈猷鹏，于歆，陈佳，王建辉，郭智威，
申请(专利权)人：重庆工商大学，重庆大学，重庆南向泰斯环保技术研究院有限公司，
类型：发明
国别省市：重庆;50