一种基于深度学习的贝类目标尺寸快速测量方法技术

一种基于深度学习的贝类目标尺寸快速测量方法，首先，设计了一种带有不少于四个标识特征点的平面容器，在采集的图像中检测到平面容器的标识特征点后，根据平面投影的单应性，建立其和实际物理标识特征点的映射关系，得到像素坐标转换为实际物理坐标的单应矩阵；其次，采用目标检测的方法得到单个测量目标的矩形框，并根据得到的单应矩阵，可将矩形框的像素坐标转换为实际测量坐标，从而得到单个测量目标的实际尺寸,本发明专利技术采用深度学习的方法对角点和测量目标进行检测定位，具有很好的鲁棒性，同时本方法可以移植到手机、平板等移动设备上，通过随意拍摄，就可对目标尺寸、数量进行客观地测量和统计，有效地克服人工测量统计速度慢效率低的不足。度慢效率低的不足。度慢效率低的不足。

【技术实现步骤摘要】
一种基于深度学习的贝类目标尺寸快速测量方法


[0001]本专利技术涉及贝类尺寸测量
，具体涉及一种基于深度学习的贝类目标尺寸快速测量方法。

技术介绍

[0002]贝类海产品使人们比较喜爱的食物之一，随着生活水平的提高，其需求量日益增大，为了提高养殖的质量和产量，养殖人员需要从幼苗到成品，定期对贝类海产品的尺寸进行测量和统计，目前贝类养殖均采用人工测量的统计方法，由于贝类形状及其不规则，手工测量只能近似取其直径进行测量和统计，准确率比较低，同时不能同时对大量的目标进行测量和统计，因此急需一种高效、使用的目标尺寸测量方法。

技术实现思路

[0003]针对上述问题，本专利技术提供一种基于深度学习的贝类目标尺寸快速测量方法，通过将待测量目标放置在平面容器中，借助平面容器中的标识特征点的物理坐标与采集到图像中的标识特征点像素坐标，得到一个平面到平面透视投影的单应矩阵，根据计算到的单应矩阵，就能够将目标的像素尺寸转化为实际的物理尺寸。
[0004]本专利技术的技术方案如下：
[0005]一种基于深度学习的贝类目标尺寸快速测量方法，包括：
[0006]步骤1：将待测量的目标放置在平面容器上，使用图像采集设备对平面容器进行图像采集工作；
[0007]步骤2：根据采集到的图像进行标识特征点检测，利用图像中平面容器标识特征点的像素坐标与实际平面容器标识特征点的物理坐标之间的关系确定图像平面映射到实际物理平面的单应矩阵；
[0008]步骤3：通过定位检测网络对测量目标进行识别以及数量检测，结合单应矩阵以及测量目标的矩形框实现对测量目标的物理尺寸估计。
[0009]优选的，所述平面容器为带有若干个标识特征点的平面盘子，进一步的，所述标识特征点的数量不小于4个，标识特征点为带有明显特征的易检测标识。
[0010]作为一种优选的方式，所述标识特征点可以为所述固定在所述平面盘子上的角点，且角点的数量选择为4个。
[0011]进一步的，所述平面容器边缘为深色边框，所述平面容器中央为有强对比度的浅色区域，所述浅色区域中放置测量目标，通过在平面容器上设置有比较明显的对比区域，更易于放置待测目标，同时可以更加精准快速定位图像中容器标识特征点坐标，有利于后期对测量目标的数量统计与尺寸测量。
[0012]如上所述的一种基于深度学习的贝类目标尺寸快速测量方法，所述标识特征点检测算法采用深度学习框架，通过Sigmoid非线性激活函数得到值在0
‑
1之间的热图，所述热图能够展现标识特征点判断的概率。
[0013]具体的：在步骤2中，标识特征点检测网络的损失函数采用加权Hausdorff距离，能够保证反向传播过程中损失函数的可微性，具体公式如下：
[0014][0015]其中：Ω是真实坐标空间与预测坐标空间内所有的点的合集；
[0016]Y是检测目标的实际坐标集合；
[0017]P是网络计算得到概率热图；
[0018]S＝∑
x∈Ω
p
x
；
[0019][0020]ε＝10
‑6；
[0021]p
x
∈[0,1]是坐标点x处输出的概率值。
[0022]一种基于深度学习的贝类目标尺寸快速测量方法，所述步骤3中包括测量目标定位和测量目标尺寸计算，具体的说：
[0023]步骤3
‑
1：通过对测量目标定位的方法对目标进行统计测量，获得单个测量目标矩形框的像素坐标；
[0024]步骤3
‑
2：通过所述单应矩阵能够将测量目标矩形框的像素坐标转换为实际物理坐标，从而得到单个测量目标的物理估计尺寸。
[0025]进一步的，所述步骤3
‑
1中定位检测网络采用联合目标定位检测与数量统计模型，在模型中采用的损失函数定义为：
[0026]Loss
Total
＝L
heatmap
+λ
size
L
size
+λ
ct
L
ct
[0027]其中,L
heatmap
、L
size
、、L
ct
为三个输出的损失函数，每个损失函数的定义如下：
[0028][0029]其中：N为目标中心点的数量；
[0030]Y
xyc
为测量目标真实值；
[0031]为测量目标预测概率；
[0032]在Y
xyc
、中xy为测量目标坐标，c为测量目标的类别；
[0033]α＝2；
[0034]β＝4；
[0035][0036]其中：定义为第k个测量目标的宽和高，是预测测量
目标的宽和高；
[0037]L
ct
＝|C
‑
C
P
|
[0038]其中：C、C
p
分别为预测的实际和预测的目标数量。
[0039]本专利技术的有益效果在于：
[0040]本专利技术提供了一种基于深度学习的贝类目标尺寸快速测量方法：
[0041](1)在本专利技术中，根据机器视觉中平面与平面之间映射的单应性，通过检测到的图像像素标识特征点坐标和实际物体标识特征点的物理坐标，计算得到一个平面到平面透视投影的单应矩阵，能够根据测量目标的像素尺寸联合单应矩阵得到测量目标实际的物理尺寸。
[0042](2)在本专利技术中设计有一个带有4个或4个以上明显特征的标识特征点的平面容器，通过设计的平面容器，可以减少目标随意放置时产生的堆叠，同时在平面容器的边缘和内部采用对比度大的颜色，可以精准快速的定位容器标识特征点和内部放置的测量目标，有助于后续将像素坐标转换为实际物理坐标。
[0043](3)在本专利技术中，将深度学习网络引入检测平面容器的标识特征点，通过训练模型使标识特征点检测具有较强的稳定性，同时提出一种联合目标定位检测与数量统计的深度学习模型，通过训练取得了较强的稳定性，具备良好的检测效果。
附图说明
[0044]通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。
[0045]在附图中：
[0046]图1为本专利技术中目标尺寸测量方法的流程图；
[0047]图2为本专利技术中目标尺寸检测方法的结构图；
[0048]图3为本专利技术中标识特征点检测网络结构概略图；
[0049]图4为本专利技术中目标检测网络结构概略图；
[0050]图5为本专利技术中目标尺寸计算方法示意图；
[0051]图6为本专利技术中标识特征点检测结果示意图；
[0052]图7为本专利技术中目标检测结果示意图。
具体实施方式
[0053]下面将结合附图更详细地描述本公开的示例性实施方式。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的贝类目标尺寸快速测量方法，其特征包括：步骤1：将待测量的目标放置在带有不少于4个标识特征点的平面容器上，使用图像采集设备对平面容器进行图像采集工作；步骤2：通过深度学习网络，对采集到的图像进行标识特征点检测，利用图像中平面容器标识特征点的像素坐标与实际平面容器标识特征点的物理坐标之间的关系确定图像平面映射到实际物理平面的单应矩阵；步骤3：通过定位检测深度学习网络对测量目标进行识别以及数量检测，结合单应矩阵以及测量目标的矩形框实现测量目标的物理尺寸估计。2.根据权利要求1所述的一种基于深度学习的贝类目标尺寸快速测量方法，其特征在于，所述平面容器为带有不少于4个标识特征点的盘子，具体地，标识特征点就是易分辨的标识，结合平面映射的单应性，就可将图像中待测量目标的像素坐标转换为实际物理坐标。3.根据权利要求1所述的一种基于深度学习的贝类目标尺寸快速测量方法，其特征在于，在步骤2中，利用深度学习网络进行标识特征点检测，标识特征点检测网络的损失函数采用加权Hausdorff距离，具体公式如下：其中：Ω是真实坐标空间与预测坐标空间内所有的点的合集；Y是检测目标的实际坐标集合；P是网络计算得到概率热图；S＝∑
x∈Ω
p
x
；ε＝10
‑6；p
x
∈[0,1]是坐标点x处输出的概率值。4.根据权利要求1所述的一种基于深度学习的贝类目标尺寸快速测量方法，其特征在于，所述步骤3中包括测量目标定位和测量目标尺寸计算，...

【专利技术属性】
技术研发人员：崔永超，武栓虎，牟春晓，郑强，
申请(专利权)人：烟台大学，
类型：发明
国别省市：