一种基于深度学习的鱼类资源快速识别方法和系统技术方案

一种基于深度学习的鱼类资源快速识别方法和系统，针对所述原始图像文件进行鱼类图片分割，利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练，实现所述图片分割模型的迭代更新；针对准确的分割图像进行鱼类识别并分类，利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练，实现所述识别算法模型的迭代更新；首先利用图片分割模型将原始图像文件按照标定的鱼类声音分别对应分割成一整分割图像；再利用识别算法模型对每一张分割图像中的鱼类进行长度识别和分类识别；从而实现鱼类资源的快速准确识别。源的快速准确识别。源的快速准确识别。

【技术实现步骤摘要】
一种基于深度学习的鱼类资源快速识别方法和系统


[0001]本专利技术涉及图像识别领域，尤其涉及一种基于深度学习的鱼类资源快速识别方法和系统。

技术介绍

[0002]现有的鱼类资源调查主要采用现场调查法，在野外水域将渔获物捕捞上岸后，主要通过现场调查人员目视和经验判别的方法识别鱼的种类，然后进行口头计数及登记；鱼类的长度测量主要采用目估法。传统的鱼类资源调查方法中：通过目视和经验判别的方法识别鱼的种类，对调查人员的专业素质要求极高，经验不足的调查人员很难具有识别稀有、濒危鱼类的能力，容易产生差错；通过口头计数及登记，往往只能单条鱼地进行，不能批量进行，效率较低且容易出错；采用目估法进行鱼身长度测量精度不够。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习的鱼类资源快速识别方法和系统，从而解决现有技术中存在的前述问题。
[0004]为了实现上述目的，本专利技术采用的技术方案如下：
[0005]一种基于深度学习的鱼类资源快速识别方法，包括
[0006]将视频文件和经过相机标定后的鱼类标定文件相结合，得到原始图像文件；
[0007]针对所述原始图像文件进行鱼类图片分割，并利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练，实现所述图片分割模型的迭代更新；
[0008]针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类，利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练，实现所述识别算法模型的迭代更新；从而实现鱼类资源的快速识别。
[0009]优选的，还包括对准确分割的分割图像中的鱼类进行长度识别：对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正，从而根据图片与真实鱼类体型的比例，通过图片的像素，换算得到对应鱼类的真实尺寸。
[0010]优选的，所述视频文件和所述标定文件相结合得到原始图像文件的过程包括颜色校正、镜头校正和透视校正。
[0011]优选的，所述图像分割模型的网络结构为Detectron2，包括backbone、rpn和roi_heads；所述backbone提取所述原始图像文件中的鱼类特征的关键信息；通过rpn判断所述原始图像文件中可能存在鱼类的目标区域；所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果。
[0012]优选的，图像分割还包括计算颜色梯度法：在鱼类身上选择起始点，并以所述起始点为基础向周围遍历测试点，与所述起始点之间的颜色差值小于阈值的测试点记录为该条鱼类的起始点，存入该条鱼类的数据库。
[0013]优选的，所述计算颜色梯度过程中对所述测试点的颜色分析包括：同一条鱼身上的每一个测试点的颜色不会发生变化，所有测试点的颜色种类不超过3种，相邻测试点之间的颜色差值小于所述阈值。
[0014]优选的，所述识别算法模型的网络结构为ResNet：选取每一个固定卷积层的浅层网络增加一个跳跃连接作为一个识别梯度；通过一个以上的识别梯度对分割图像中鱼类的特征识别所述分割图像中鱼类的种类。
[0015]优选的，根据鱼类特征进行种类识别的方法包括：不同种类的鱼在腮孔、鳃盖、鳞片、背鳍、胸鳍和尾鳍其中至少存在三个部位的不同点。
[0016]一种基于深度学习的鱼类资源快速识别系统，包括用于存储数据的存储器，用于处理图像分割和图像识别的服务器，用于鱼类标定和视频采集的相机；
[0017]通过所述相机获取的视频文件和标定文件；在所述服务器中将所述视频文件和所述标定文件进行合并，生成原始图像文件并存储于所述存储器中；通过所述服务器执行图像分割和图像识别，实现所述原始图像文件中所有鱼类的识别分类。
[0018]本专利技术的有益效果是：本专利技术公开了一种基于深度学习的鱼类资源快速识别的方法和系统；基于AI识别技术和信息化手段简化了传统鱼类资源的调查流程，提升了调查的效率及精确度，同时降低了鱼类资源调查对专业人员的素养要求，有效降低了外业调查的成本；基于对鱼类识别算法模型的自动迭代更新功能，令识别算法模型随着使用的次数越多，能自动识别的鱼类也会越多、越准，效益也会体现地越来越明显。
附图说明
[0019]图1是鱼类资源快速识别方法一种实施例的流程图；
[0020]图2是图像分割模型的网络结构示意图；
[0021]图3是根据计算颜色梯度法进行鱼类分割的流程图；
[0022]图4是识别算法模型的网络结构示意图。
具体实施方式
[0023]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。
[0024]一种基于深度学习的鱼类资源快速识别的方法，对不同批次捕捞上岸的鱼类资源采集视频文件，并通过相机扫描所述视频文件通过鱼类标定形成标定文件，在将视频文件和标定文件相结合，通过颜色校正、镜头校正和透视校正后形成原始图像文件；针对原始图像文件以鱼类身体为基础进行图片分割；进一步的针对分割图像中鱼类的特征，进行鱼类资源的识别和分类。
[0025]上述基于深度学习的鱼类资源快速识别方法，其中一种实施例如图1所示：
[0026]利用相机对不同批次捕捞上岸的鱼类资源采集视频文件，并通过相机对所述视频文件进行标定，形成对图像中每一天鱼完成标定的标定文件；将所述视频文件和所述标定文件经过颜色校正、镜头校正和透视校正后形成原始图像文件：
[0027]利用图像分割模型对所述原始图像文件进行分割，根据所述原始图像文件中标定
的鱼类进行图像分割，形成标定数量的有且仅有一条完整鱼类的分割图像；度分割图像进行检测，当检测到分割图像不准确时，通过像素对该鱼类轮廓的分析，并利用鱼类轮廓对所述图像分割模型进行训练，随着模型的应用不断迭代更新所述图像分割模型；从而令图像分割更加准确；
[0028]对准确分割的分割图像中的鱼类进行长度识别：对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正，利用上述透视校正中图像中鱼类和真实鱼类的比例尺，根据每一个准确分割的分割图像中的鱼类像素，计算分割图像中每一条鱼类的正式尺寸并记录；
[0029]利用识别算法模型，对每一各准确的分割图像中的鱼类进行识别并分类，当检测到有鱼类的分类不正确时，手动校核修改识别结果，并是根据识别结果利用对应的分割图像对识别算法模型进行训练，从而实现识别算法模型的迭代更新；若分类准确则完成该分割图像中鱼类的分类，输出并记录该鱼类的分类结果。
[0030]实施例中利用相机的标定技术确定鱼类身体表面某点的三维几何位置与其在图像中对应点之间的相互关系。采用张正友标定法对相机进行标定，求解计算相机标定几何模型的相机参数：利用三维场景中的一个平面作为标定棋盘格，另一个平面作为成像平面，在特质的标定棋盘中，标定棋盘与成像平面之间的交点是已知的，利用所述标定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的鱼类资源快速识别方法，其特征在于，包括将视频文件和经过相机标定后的鱼类标定文件相结合，得到原始图像文件；针对所述原始图像文件进行鱼类图片分割，并利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练，实现所述图片分割模型的迭代更新；针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类，利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练，实现所述识别算法模型的迭代更新；从而实现鱼类资源的快速识别。2.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法，其特征在于，还包括对准确分割的分割图像中的鱼类进行长度识别：对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正，从而根据图片与真实鱼类体型的比例，通过图片的像素，换算得到对应鱼类的真实尺寸。3.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法，其特征在于，所述视频文件和所述标定文件相结合得到原始图像文件的过程包括颜色校正、镜头校正和透视校正。4.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法，其特征在于，所述图像分割模型的网络结构为Detectron2，包括backbone、rpn和roi_heads；所述backbone提取所述原始图像文件中的鱼类特征的关键信息；通过rpn判断所述原始图像文件中可能存在鱼类的目标区域；所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果。5.根据权利要求...

【专利技术属性】
技术研发人员：顾洪宾，尹华政，冯麒宇，薛联芳，张宜仁，刘洋，李益霖，章国勇，李鹏，张全，王东胜，王超，
申请(专利权)人：中国电建集团中南勘测设计研究院有限公司国家电投集团黄河上游水电开发有限责任公司水电水利规划设计总院中国水利水电建设工程咨询有限公司，
类型：发明
国别省市：