基于卷积神经网络的斑石鲷个体识别方法技术

本发明专利技术提出一种基于卷积神经网络的斑石鲷个体识别方法，斑石鲷个体识别模型中，目标初定位由三个连续的卷积层、一个核和步长为1的平均池化层组成，经三个连续的卷积层获取的图像中的特征兴趣点区域，平均池化层设置超参数候选框，获取多个特征兴趣点比较集中的区域，以得到目标物体所在图像的大体位置，接着对原始图像进行图像区域分割；II_Net主干卷积神经网络由6层卷积层，4个池化层组成；使用LeakyReLU激活函数作为第一层卷积层的激活函数；基于遗传算法改进的全连接层；使用Alexnet的后三层卷积网络结构以及参数数据；最大池化层为重叠池化结构，且在第二次最大池化时，使用空洞卷积，测试数据通过上述建立的模型进行斑石鲷的个体识别。

【技术实现步骤摘要】
基于卷积神经网络的斑石鲷个体识别方法
本专利技术属于图像识别
，尤其涉及一种基于卷积神经网络的斑石鲷个体识别方法。
技术介绍
斑石鲷是近几年来我国海水养殖业的一个新兴鱼类品种，具有较高观赏价值，经济价值和食用价值，具有极大的发展前景。目前，关于斑石鲷的研究主要集中在早期发育、疾病免疫等方面，很少关注斑石鲷的个体识别。在研究初期，为了进行鱼类的个体识别，统计某一环境内的种群数目或者是跟踪鱼群的溯游轨迹，往往需要借助外部标签或者对其外部进行标记。早先会有一些严重损伤鱼体的方法，如切鳍法、挂牌法、烙印法等；后来逐步开始选择一些损伤较小的方法，如荧光标记法、同位素标记法、PIT、VIE等外部标签标记法等。借助于外部标签的方法虽然广泛使用，但是可能会约束于距离范围、标签丢失、游动障碍以及鱼体死亡等情况。随着计算机视觉技术的进步以及视觉生物特征学的发展，以及视频数据获取的成本的降低，对于动物的个体识别技术逐渐转向图像特征提取方面。同时随着人脸识别概念的深入研究以及卷积神经网络的广泛使用，深度学习算法也开始应用在动物图像的个体识别领域。在现有的研究中对于鱼类的个体识别研究成果较少，且以对较大型的鱼类进行个体识别研究的居多，主要用于追踪鱼群，如：鲸鲨的个体识别,须鲸的个体识别,斑点褴褛鲨鱼的个体识别等，也有对体型较小鱼的个体识别研究，如通过面部和身体的着色组合来识别的丽鱼科鱼。根据鱼体型的不同，识别方法也不尽相同，大体型的如鲸鲨一类的比较注重整体轮廓的特征提取，更多的小鱼是通过色彩对比度来实现。而斑石鲷不同于其它鱼的个体识别，自身的色彩对比不明显，体型较小，整体特征提取意义不大，但斑点错综，图像细节特征提取更为重要，根据这些特性，本专利技术提出利用卷积神经网络模型来实现对斑石鲷进行个体识别。
技术实现思路
针对上述问题，本专利技术提出一种基于卷积神经网络的斑石鲷个体识别方法：包括：步骤1：采集斑石鲷个体训练集数据和测试集数据并进行预处理；步骤2:所述训练集数据通过卷积神经网络训练后得到斑石鲷个体识别模型，包括：图像目标初定位及分割模块，由三个连续的卷积层、一个核和步长为1的平均池化层组成，训练集图像经过三个连续的卷积层后，获取图像中的特征兴趣点区域；平均池化层依据斑石鲷个体的体积大小设置超参数候选框，获取多个特征兴趣点比较集中的区域，从而得到目标物体所在图像的大体位置；依据目标初定位给出的目标物体所在图像的大体位置信息和超参数候选框信息，对原始图像进行图像区域分割；II_Net主干卷积神经网络，由6层卷积层，4个池化层组成；使用LeakyReLU激活函数作为第一层卷积层的激活函数；基于遗传算法的一层全连接层；使用Alexnet的后三层卷积网络结构以及参数数据；最大池化层为重叠池化结构，且在第二次最大池化时，使用空洞卷积；步骤3:所述测试集数据通过所述斑石鲷个体识别模型进行斑石鲷的个体识别。进一步，筛选斑石鲷个体的视频数据作为训练集数据，对所获取到的视频数据进行分帧处理，使用MS-SSIM算法对训练集数据进行相似度分析。进一步，测试集数据与训练集数据为不同源的信息。进一步，遗传算法的适应度函数为全连接层之间传递参数的线性变化公式X＝XwT+b进一步，图像目标初定位及分割模块不需要对图像进行整体的边缘检测和优化处理。进一步，基于遗传算法改进的全连接层优化改善了网络参数。本专利技术的有益效果在于：斑石鲷的个体识别是很多研究内容的基础，通过本本专利技术的方法对每条鱼建立自身的数据库，不仅有利于统计斑石鲷的数据，跟踪动物的生长状态，如体积以及重量等，监测斑石鲷个体的行为，初步检测斑石鲷的某些疾病，甚至还可以做到食品的跟踪溯源，真正意义上做到食品来源安全。附图说明图1是本专利技术的一种基于卷积神经网络的斑石鲷的个体识别方法的流程图；图2是本专利技术的斑石鲷个体识别卷积神经网络结构图；图3本专利技术实施例中9条斑石鲷个体识别的混淆矩阵图。具体实施方式下面结合附图，对实施例作详细说明。图1为本专利技术的基于卷积神经网络的斑石鲷个体识别方法的流程图，包括如下步骤：步骤1:数据信息的采集以及相关预处理。包括训练集数据和测试集数据。本专利技术识别的鱼种是斑石鲷，属石鲷科。实施例中选取的斑石鲷重约3.5两，选自莱州明波有限公司。在本实施例，共收集了9条鱼的数据信息。实验环境中的生活范围为150*150*60的立方厘米养殖池，养殖池正中间上方1.5m处为海康威视摄像头，养殖池中水平放置间隔为75cm的两个水下摄像头。为了区分9条鱼的编号，拍摄期间暂时把9条鱼放置在不同的编号网里面，可用于斑石鲷识别结果评判。每条鱼的网格上都有编号1-9。1)训练集数据。筛选每条鱼36分钟左右的视频作为初始的视频数据的训练集；然后对所获取到的视频材料(每秒25帧，1920*1080的分辨率)进行分帧处理；最后使用MS-SSIM算法(公式(1))对原始数据集进行相似度分析的图像预处理，最终得到40981张图像。2)测试集数据。本着增大识别难度的原则，采取了测试集和训练集不同源的信息采集。本实施例选择对每条鱼进行手动拍摄照片作为测试集，最终得到了每条鱼120张，总体为1080张的测试集图像。步骤2:构建斑石鲷个体识别卷积神经网络，并利用训练集数据进行训练。图2为斑石鲷个体识别卷积神经网络结构图。1)目标初定位及分割。对训练集原始图像(即经过MS-SSIM算法预处理的图像)的分割处理，主要是实现了对原始图像的目标初定位以及基于目标所在位置对原始图像的分割处理，即基于卷积神经网络特征提取的图像预处理，是后续准确提取图像中目标特征的关键性一步。从真实养殖环境中获取到的视频图像数据会比较杂乱，图像中除了需要的既定目标数据，还会捕获到一些除了斑石鲷目标外的冗余数据，如气石等。这些非目标数据在输入神经网络模型时，不仅会增大模型计算量，而且可能会将某些具有显著特征的背景特征作为目标的自身特征，从而使得斑石鲷识别出错，进而导致测试集数据正确率降低等情况。本专利技术所提出的目标初定位，是指依据图像输入卷积神经网络后得到的特征进行初步的目标定位。首先，图像在经过三层卷积神经网络之后，可以获取到图像中的特征兴趣点区域；然后，同时依据本次实验中斑石鲷的体积大小设置了超参数为178*178的候选框，去获取多个感兴趣点比较集中的区域，从而得到目标物体所在图像的大体位置。目标初定位是由三个连续的卷积层和一个核为178，步长为1的平均池化层所组成。三个卷积层的作用是对输入的图像进行特征提取的过程，平均池化层的作用是获取多个候选框的过程。本实施例中的定位候选框所在卷积图像中的位置，不同于需要人工标注并进行训练得到的传统的目标检测，这个候选框的设置和删选更为简单和方便。首先由于需要获取多个同等尺寸的候选框，这一点类似于池化层的采样框一致，同时由于需要平均考量所有图像像素点的数据，所以在获取候本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的斑石鲷个体识别方法，包括：/n步骤1：采集斑石鲷个体训练集数据和测试集数据并进行预处理；/n步骤2:所述训练集数据通过卷积神经网络训练后得到斑石鲷个体识别模型，包括：/n图像目标初定位及分割模块，由三个连续的卷积层、一个核和步长为1的平均池化层组成，训练集图像经过三个连续的卷积层后，获取图像中的特征兴趣点区域；平均池化层依据斑石鲷个体的体积大小设置超参数候选框，获取多个特征兴趣点比较集中的区域，从而得到目标物体所在图像的大体位置；依据目标初定位给出的目标物体所在图像的大体位置信息和超参数候选框信息，对原始图像进行图像区域分割；/nII_Net主干卷积神经网络，由6层卷积层，4个池化层组成；使用LeakyReLU激活函数作为第一层卷积层的激活函数；基于遗传算法改进的全连接层；使用Alexnet的后三层卷积网络结构以及参数数据；最大池化层为重叠池化结构，且在第二次最大池化时，使用空洞卷积；/n步骤3:所述测试集数据通过所述斑石鲷个体识别模型进行斑石鲷的个体识别。/n

【技术特征摘要】
1.一种基于卷积神经网络的斑石鲷个体识别方法，包括：
步骤1：采集斑石鲷个体训练集数据和测试集数据并进行预处理；
步骤2:所述训练集数据通过卷积神经网络训练后得到斑石鲷个体识别模型，包括：
图像目标初定位及分割模块，由三个连续的卷积层、一个核和步长为1的平均池化层组成，训练集图像经过三个连续的卷积层后，获取图像中的特征兴趣点区域；平均池化层依据斑石鲷个体的体积大小设置超参数候选框，获取多个特征兴趣点比较集中的区域，从而得到目标物体所在图像的大体位置；依据目标初定位给出的目标物体所在图像的大体位置信息和超参数候选框信息，对原始图像进行图像区域分割；
II_Net主干卷积神经网络，由6层卷积层，4个池化层组成；使用LeakyReLU激活函数作为第一层卷积层的激活函数；基于遗传算法改进的全连接层；使用Alexnet的后三层卷积网络结构以及参数数据；最大池化层为重叠池化结构，且在第二次最大池化时，使用空洞卷积；
步骤3:所述测试集数据通过所述斑石鲷个体识别模型进...

【专利技术属性】
技术研发人员：岳峻，李备备，贾世祥，王庆，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东;37