基于轻量化卷积网络的淡水鱼图像实时识别方法技术

本发明专利技术公开了一种基于轻量化卷积网络的淡水鱼图像实时识别方法，旨在解决现有淡水鱼种分类技术中存在的数据集匮乏、特征提取难、识别速度慢的问题。本发明专利技术的具体步骤如下：(1)构建淡水鱼图像数据集；(2)构建轻量化深度卷积神经网络；(3)训练深度卷积神经网络；(4)对淡水鱼测试图像进行实时识别；本发明专利技术通过构建淡水鱼图像数据集，利用训练好的轻量化深度卷积神经网络，自动对收集到的淡水鱼图像进行实时识别，本发明专利技术具有无需手动提取鱼体特征，识别精度高、速度块、消耗硬件资源小的优点。

【技术实现步骤摘要】
基于轻量化卷积网络的淡水鱼图像实时识别方法
本专利技术属于图像处理
，更进一步涉及图像识别
中的一种基于轻量化卷积网络的淡水鱼图像实时识别方法。本专利技术可用于渔业监测、水产养殖、休闲垂钓场景下对捕获的淡水鱼种进行实时监测和识别，其识别结果可用于鱼种信息采集，还可为珍稀鱼种的放生提供参考依据。
技术介绍
在传统鱼类识别过程中，主要采用人工对鱼体进行识别，自动化淡水鱼识别技术可大幅降低人工劳动强度，可以运用到渔业监测、水产养殖等方面。近年来，基于图像特征的机器学习方法已经应用在鱼类图像识别上，都取得了不错的效果。然而，随着机器学习技术的进一步发展和应用程度的不断深入，淡水鱼类图像识别领域依然存在以下一些问题：如淡水鱼类的不同品种通常具有相似的外形、尺寸以及纹理颜色，使用传淡水鱼识别方法无法准确提取其判别特征，导致识别精度不高；基于卷积神经网络的识别方法数据集难获得，现有方法多依赖于现有海鱼数据集，无法对淡水鱼类进行识别，而且复杂度高，算法无法实时运行，导致在嵌入式设备中部署困难。例如：中国农业大学在其申请的专利文献“一种基于P本文档来自技高网...

【技术保护点】
1.一种基于轻量化卷积网络的淡水鱼图像实时识别方法，其特征在于，该方法通过手动获取并标注淡水鱼图像以构建数据集，利用搭建并训练好的轻量级卷积神经网络，自动提取鱼类图像特征进行识别；该方法的具体步骤包括如下：/n(1)构建淡水鱼图像数据集：/n(1a)选取至少2700张尺寸为244×244的淡水鱼图像，所有图像至少涵盖9种淡水鱼类别；/n(1b)手工标注每张图像中淡水鱼的种类，并用矩形边界框对图像中淡水鱼的位置进行标注；/n(1c)对标注后的图像进行预处理后得到训练样本集；/n(2)构建轻量化深度卷积神经网络：/n(2a)搭建一个21层的识别网络，其结构依次为：输入层，第一卷积层，第一池化层，第...

【技术特征摘要】
1.一种基于轻量化卷积网络的淡水鱼图像实时识别方法，其特征在于，该方法通过手动获取并标注淡水鱼图像以构建数据集，利用搭建并训练好的轻量级卷积神经网络，自动提取鱼类图像特征进行识别；该方法的具体步骤包括如下：
(1)构建淡水鱼图像数据集：
(1a)选取至少2700张尺寸为244×244的淡水鱼图像，所有图像至少涵盖9种淡水鱼类别；
(1b)手工标注每张图像中淡水鱼的种类，并用矩形边界框对图像中淡水鱼的位置进行标注；
(1c)对标注后的图像进行预处理后得到训练样本集；
(2)构建轻量化深度卷积神经网络：
(2a)搭建一个21层的识别网络，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，第五卷积层，第五池化层，第六卷积层，第六池化层，第七卷积层，第八卷积层，第九卷积层，第十卷积层，第一输出层，第十一卷积层，上采样层，Concat拼接层，第十二卷积层，第十三卷积层，第二输出层；其中，第十一卷积层与第八卷积层相连，Concat拼接层与第五卷积层相连；
(2b)设置每层参数为：第一至十三卷积层的步长均设置为1，第一至十三卷积层中卷积核的个数分别设置为16、32、64、128、256、512...

【专利技术属性】
技术研发人员：白静，王艺然，任俊杰，牛林春，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61