一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统技术方案

本发明专利技术公开了一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统，包括：构建深度学习模型，深度学习模型用于对三疣梭子蟹背甲图分解成金字塔式分块结构，根据ID损失和三元组损失的组合共同训练，生成用于溯源三疣梭子蟹的三疣梭子蟹重识别模型；采集三疣梭子蟹背甲图，构建训练集，对深度学习模型进行训练，生成三疣梭子蟹重识别模型，三疣梭子蟹重识别模型用于通过识别三疣梭子蟹背甲图，对三疣梭子蟹进行溯源；本发明专利技术设计的三疣梭子蟹的智能识别方法，算法准确率高鲁棒性强，为三疣梭子蟹的智能溯源提供了新的技术方案。的智能溯源提供了新的技术方案。的智能溯源提供了新的技术方案。

【技术实现步骤摘要】
一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统


[0001]本专利技术涉及生物溯源
，具体而言，涉及一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统。

技术介绍

[0002]三疣梭子蟹是我国沿海大型的海洋经济蟹类，肉肥味美，有较高的营养价值和经济价值，为了实现三疣梭子蟹养殖业的持续发展及水产食品安全，需要实现三疣梭子蟹从养殖到出售的信息检索机制，以保障水产品生产的有效运营及消费者健康权益。对此，水产品生产和运营过程中，需要建立完善的三疣梭子蟹的溯源系统。
[0003]在三疣梭子蟹溯源技术方面，传统的溯源方式包括生物溯源、化学溯源、信息溯源。生物溯源存在速度慢的问题，化学溯源存在无法大规模推广的问题、信息溯源存在人工伪造的问题。为了解决传统的溯源方法带来的问题，提出将人工智能引入三疣梭子蟹的溯源方案中。
[0004]ReID(Re
‑
identification)，即重识别，在生物识别上的应用越来越广泛，重识别技术大致可分为基于特征描述的方法和基于距离度量学习的方法。传统ReID以行人识别为主要研究方向。在特征描述方面，提取底层视觉特征，得到对象的特征表示形式。特征选择技术如Fisher向量编码对重识别的识别率性能有进一步提升。在距离度量方面，现有技术中提出了一种相对距离比较算法RDC，RDC采用Adaboost算法来减少对标注样本的需求。
[0005]随着深度学习技术的发展，越来越多的学者尝试将重识别和深度学习结合。与传统的行人重识别方法不同，基于深度学习的行人重识别不仅仅是一个单独的过程，它在识别过程中不仅能学习各个部分，还可以学习各个部分的连通性。
[0006]但是，上述方法中仅对提取到的特征进行比较，没有对特征进行进一步的分析，当遇到相似度较高的三疣梭子蟹时，则会出现误判，除此之外，这些方法仅仅从局部或者从全局考虑了三疣梭子蟹的特征。因此，本专利技术设计一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统，解决现有识别不准确等技术问题。

技术实现思路

[0007]为了解决上述问题，本专利技术的目的是提出一种基于金字塔特征融合的三疣梭子蟹重识别方法及系统，用于提高背甲残缺个体的重识别准确度，以及降低ReID误识别率。
[0008]为了实现上述技术目的，本申请提供了一种基于金字塔特征融合的三疣梭子蟹重识别方法，包括：
[0009]构建深度学习模型，深度学习模型用于对三疣梭子蟹背甲图分解成金字塔式分块结构，根据ID损失和三元组损失的组合共同训练，生成用于溯源三疣梭子蟹的三疣梭子蟹重识别模型；
[0010]采集三疣梭子蟹背甲图，构建训练集，对深度学习模型进行训练，生成三疣梭子蟹重识别模型，三疣梭子蟹重识别模型用于通过识别三疣梭子蟹背甲图，对三疣梭子蟹进行
溯源。
[0011]优选地，在构建深度学习模型的过程中，深度学习模型由依次连接backbone模块、Pyramid模块、Basic Block模块、Loss模块组成；
[0012]backbone模块用于提取三疣梭子蟹背甲图的原始特征，其中，原始特征包括凸起、沟、脊以及不规则斑点；
[0013]Pyramid模块用于根据backbone模块提取的原始特征，通过金字塔式分块策略，将三疣梭子蟹背甲图分解成金字塔式分块结构；
[0014]Basic Block模块用于强化金字塔式分块结构的每个局部区域特征的标识效果；
[0015]Loss模块用于通过ID损失和三元组损失的组合损失训练模式，对强化后的每个局部区域特征进行优化训练，并在推理阶段，进行特征融合，生成用于标识三疣梭子蟹的特征向量。
[0016]优选地，在构建训练集的过程中，将每张三疣梭子蟹背甲图，标记第一ID编号；
[0017]基于每个第一ID编号，生成在不同场景下采集的三疣梭子蟹背甲图，并在第一ID编号后添加第二ID编号，生成三疣梭子蟹背甲图的ID编号。
[0018]优选地，在通过Loss模块生成特征向量的过程中，将具有金字塔式分块结构的三疣梭子蟹背甲图，作为锚点，获取锚点的第一ID编号；
[0019]基于相同的第一ID编号，获取与锚点的特征相似度最低的样本，作为正样本，其中，获取两特征向量的欧式距离作为所述的特征相似度；
[0020]基于不同的第一ID编号，获取与锚点的特征相似度最高的样本，作为负样本；
[0021]根据锚点、正样本、负样本，构建三元组；
[0022]根据三元组，获取三元组损失；
[0023]根据ID编号，获取ID损失。
[0024]优选地，在获取三元组损失的过程中，三元组损失表示为：
[0025][0026]其中，其中f(
·
)表示特征提取操作，分别为第一ID编号为i的锚点、第一ID编号为i的正样本和第一ID编号为k的负样本的特征向量，α为0.2。
[0027]优选地，在对三疣梭子蟹的背甲图分解成金字塔式分块结构的过程中，基于三疣梭子蟹背面的体态功能特征，将三疣梭子蟹背甲图，分成若干个功能区域，并根据每个功能区域之间的连接位置关系，生成完全覆盖三疣梭子蟹的全局特征和局部特征的金字塔式分块结构，其中，全局特征包括凸起、沟、脊以及不规则斑点，局部特征包括局部纹理和/或斑点特征。
[0028]优选地，在生成金字塔式分块结构的过程中，金字塔式分块结构由第一分块图和第二分块图组成，其中，第一分块图包括所有功能区域，第二分块图包括至少一个功能区域，且第二分块图小于第一分块图的功能区域的数量。
[0029]本专利技术公开了一种基于金字塔特征融合的三疣梭子蟹重识别系统，包括：
[0030]数据采集模块，用于采集三疣梭子蟹背甲图；
[0031]数据识别模块，用于通过构建三疣梭子蟹重识别模型，识别三疣梭子蟹背甲图的特征向量，对三疣梭子蟹进行溯源，其中，特征向量包括全局特征和局部特征，全局特征包
括凸起、沟、脊以及不规则斑点，局部特征包括局部纹理和/或斑点特征。
[0032]本专利技术公开了以下技术效果：
[0033]本专利技术针对三疣梭子蟹的特征设计了金字塔分块策略，该策略通过分块融合策略获取三疣梭子蟹局部和全局特征，避免使用全局特征对最终检测性能的影响；
[0034]为了提高背甲残缺个体的重识别准确度，本专利技术采用权重自适应整合策略，将多个分块特征进行深度融合，以降低三疣梭子蟹残缺部分对全局特征的影响；
[0035]本专利技术在使用分类损失的基础上，引入了三元组损失，可有效强化三疣梭子蟹个体特征之间的差异性。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1是本专利技术实施例所述的三疣梭子蟹不同场景的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于金字塔特征融合的三疣梭子蟹重识别方法，其特征在于，包括：构建深度学习模型，所述深度学习模型用于对三疣梭子蟹背甲图分解成金字塔式分块结构，根据ID损失和三元组损失的组合共同训练，生成用于溯源三疣梭子蟹的三疣梭子蟹重识别模型；采集所述三疣梭子蟹背甲图，构建训练集，对所述深度学习模型进行训练，生成所述三疣梭子蟹重识别模型，所述三疣梭子蟹重识别模型用于通过识别所述三疣梭子蟹背甲图，对所述三疣梭子蟹进行溯源。2.根据权利要求1所述一种基于金字塔特征融合的三疣梭子蟹重识别方法，其特征在于：在构建深度学习模型的过程中，所述深度学习模型由依次连接backbone模块、Pyramid模块、Basic Block模块、Loss模块组成；所述backbone模块用于提取三疣梭子蟹背甲图的原始特征，其中，所述原始特征包括凸起、沟、脊以及不规则斑点；所述Pyramid模块用于根据所述backbone模块提取的所述原始特征，通过金字塔式分块策略，将所述三疣梭子蟹背甲图分解成所述金字塔式分块结构；所述Basic Block模块用于强化所述金字塔式分块结构的每个局部区域特征的标识效果；所述Loss模块用于通过ID损失和三元组损失的组合损失训练模式，对强化后的每个局部区域特征进行优化训练，并在推理阶段，进行特征融合，生成用于标识所述三疣梭子蟹的特征向量。3.根据权利要求2所述一种基于金字塔特征融合的三疣梭子蟹重识别方法，其特征在于：在构建训练集的过程中，将每张所述三疣梭子蟹背甲图，标记第一ID编号；基于每个所述第一ID编号，生成在不同场景下采集的所述三疣梭子蟹背甲图，并在所述第一ID编号后添加第二ID编号，生成所述三疣梭子蟹背甲图的ID编号。4.根据权利要求3所述一种基于金字塔特征融合的三疣梭子蟹重识别方法，其特征在于：在通过Loss模块生成特征向量的过程中，将具有所述金字塔式分块结构的所述三疣梭子蟹背甲图，作为锚点，获取所述锚点的所述第一ID编号；基于相同的所述第一ID编号，获...

【专利技术属性】
技术研发人员：史策，章克杰，辛宇，王春琳，母昌考，叶央芳，任志明，
申请(专利权)人：宁波大学，
类型：发明
国别省市：