利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法技术

本发明专利技术公开了一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，属于图像识别领域，包括以下步骤：获取密集遮挡的育苗期鲍鱼图像，构建知识蒸馏网络模型，其中知识蒸馏网络模型包括：蒸馏模块、标签匹配模块和特征融合模块；将育苗期鲍鱼图像输入至知识蒸馏网络模型中，基于蒸馏模块，得到蒸馏特征图，并计算得到有价值区域；基于标签匹配模块，筛选出蒸馏特征图中的正样本特征图；基于特征融合模块，对正样本特征图进行深度可分离卷积，并将正样本特征图的通道信息进行融合，得到预测结果。本发明专利技术能够对育苗期鲍鱼相互遮挡情况下的漏检数量大大减少，能够准确识别育苗期鲍鱼的模糊边缘，提高了育苗期鲍鱼相互遮挡时检测准确率。确率。确率。

【技术实现步骤摘要】
利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法


[0001]本专利技术属于图像识别领域，特别是涉及一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法。

技术介绍

[0002]鲍鱼营养价值丰富但自然产量低，无法满足市场需求，目前主要以人工养殖为主，但是人工养殖往往无法精准估计投喂量，饵料过少会造成鲍鱼生长缓慢，饵料过剩会造成水质污染，影响鲍鱼生存环境，所以精确检测育苗期鲍鱼数量及大小是适量投喂、提高鲍鱼产量的关键环节，对工厂化养殖有着重要意义。
[0003]目前，工厂化养殖环境下，育苗期鲍鱼有畏光、畏热特性，导致人工无法在不损伤鲍鱼的前提下进行观察，需要利用夜间鲍鱼进食间隙进行监测，才能准确得出目前数量。然而，由于夜间光线问题以及鲍鱼分布密集相互遮挡，且水下拍摄会造成可见度损失、图像模糊以致边缘无法清晰检测等问题，最终导致检测数据不准确。

技术实现思路

[0004]本专利技术的目的是提供一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，以解决上述现有技术存在的问题。本专利技术提出了一种用于密集目标检测的灵活定位提取方法以及用于特征融合的深度可分离卷积方法，并以单独提取区域的方式划分检测区域，提高检测物体模糊边缘的精确度，并且本专利技术在提高检测精度的同时也提升了检测速度，满足工厂化养殖实时检测的需求，本专利技术在检测精度相同的前提下超过现有技术的检测速度。
[0005]为实现上述目的，本专利技术提供了一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，包括以下步骤：
[0006]获取密集遮挡的育苗期鲍鱼图像，构建知识蒸馏网络模型，其中所述知识蒸馏网络模型包括：蒸馏模块、标签匹配模块和特征融合模块；
[0007]将所述育苗期鲍鱼图像输入至所述知识蒸馏网络模型中，基于所述蒸馏模块，得到蒸馏特征图，并计算得到有价值区域；
[0008]基于所述标签匹配模块，筛选出蒸馏特征图中的正样本特征图；
[0009]基于所述特征融合模块，对所述正样本特征图进行深度可分离卷积，并将所述正样本特征图的通道信息进行融合，得到预测结果。
[0010]优选地，获取密集遮挡的育苗期鲍鱼图像之后还包括：
[0011]对所述育苗期鲍鱼图像进行人工标注，通过边缘定位公式，并将人工标注好的鲍鱼图片进行边缘定位，得到边界框信息，基于所述边界框信息，计算边缘定位损失。
[0012]优选地，计算得到有价值区域的过程包括：
[0013]将所述育苗期鲍鱼图像输入至所述知识蒸馏网络模型中，基于蒸馏模块中教师模型和学生模型，得到概率函数输出值，并将边界框的若干个概率函数输出值离散化，得到若
干个概率函数输出值，基于若干个概率函数输出值，通过特征金字塔网络计算得到有价值区域。
[0014]优选地，得到概率函数输出值之后还包括：
[0015]对所述教师模型进行训练，得到训练好的教师模型，利用蒸馏温度产生的SoftMax函数对训练好的教师模型进行高温蒸馏，得到教师网络输出的软标签；
[0016]对所述学生模型进行训练并调整蒸馏温度产生的SoftMax函数，得到学生网络输出分支的预测分支数值，将所述学生网络输出分支的预测分支数值与所述教师网络输出的软标签进行相似度比较，得到蒸馏损失。
[0017]优选地，对所述学生模型进行训练还包括：
[0018]基于所述学生模型，得到学生网络输出分支的硬标签，将所述学生网络输出分支的硬标签与训练集数据标签硬标签进行相似度比较，计算得到学生损失。
[0019]优选地，筛选出蒸馏特征图中的正样本特征图的过程包括：
[0020]基于所述育苗期鲍鱼图像，得到正样本候选区域，基于所述正样本候选区域，计算得到正样本候选区域所产生的每个预测框与当前人工标注边界框的IoU，将所述IoU进行排序并求和，得到初选值；
[0021]计算正样本候选区域产生的预测框与当前人工标注边界框的代价函数值，得到代价函数代价矩阵，将所述代价函数代价矩阵的值按从小到大的顺序排列，基于所述初选值和排列好的代价函数值，得到正样本特征图。
[0022]优选地，对所述正样本特征图进行深度可分离卷积的过程包括：
[0023]利用第一卷积核与所述正样本特征图的多通道数据进行卷积操作，得到多通道特征图，其中所述卷积操作为逐层卷积操作。
[0024]优选地，将所述正样本特征图的通道信息进行融合的过程包括：
[0025]利用第二卷积核与所述多通道特征图进行卷积运算，并将所述多通道特征图信息进行融合，得到预测结果，其中所述卷积运算为逐像素操作。
[0026]优选地，得到预测结果之后还包括：
[0027]基于正样本特征图，计算得到预测框面积，基于所述预测框面积，计算预测框和人工标注边界框的重叠度，并将重叠度得分进行降序排序，选出最高分及其对应的预测框，并且基于预设阈值，删除同类别的预测框。
[0028]本专利技术的技术效果为：
[0029]本专利技术提供了一种密集相互遮挡下的育苗期鲍鱼检测方法，通过知识蒸馏网络模型中的蒸馏框架，引入了有价值区域来实现模糊边缘的定位问题，有助于解决当育苗期鲍鱼分布密集时造成边缘被遮挡及无法准确检测的问题，提高了育苗期鲍鱼相互遮挡时检测准确率。通过对图片中的育苗期鲍鱼检测，可以直接标记出图片中育苗期鲍鱼的位置。
[0030]与现有技术中鲍鱼检测方法相比，本专利技术对育苗期鲍鱼相互遮挡情况下的漏检数量大大减少，能准确识别育苗期鲍鱼的模糊边缘，为接下来的进一步操作，如鲍鱼的投饵量估计、鲍鱼数量估计以及鲍鱼的密度估计奠定技术基础，可将使用本算法训练出来的模型部署到带有摄像头的嵌入式设备中，来对鲍鱼进行实时检测。
附图说明
[0031]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0032]图1为本专利技术实施例中的方法流程图。
具体实施方式
[0033]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0035]实施例一
[0036]如图1所示，本实施例中提供一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，包括：
[0037]采集育苗期鲍鱼相互遮挡下的图片，然后利用LabelImg标注工具对数据集进行人工标注，并将标注后的数据集转换成COCO数据集的格式，通过LabelImg标注工具标注完图片后，鲍鱼标注框的保存形式为标注框的左上角坐标以及右下角坐标，COCO数据集中标注框的形式为标注框的中心点坐标以及标注框的宽高，并将中心点坐标和标注框的宽高除以图片的宽高，将坐标值的范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，其特征在于，包括以下步骤：获取密集遮挡的育苗期鲍鱼图像，构建知识蒸馏网络模型，其中所述知识蒸馏网络模型包括：蒸馏模块、标签匹配模块和特征融合模块；将所述育苗期鲍鱼图像输入至所述知识蒸馏网络模型中，基于所述蒸馏模块，得到蒸馏特征图，并计算得到有价值区域；基于所述标签匹配模块，筛选出蒸馏特征图中的正样本特征图；基于所述特征融合模块，对所述正样本特征图进行深度可分离卷积，并将所述正样本特征图的通道信息进行融合，得到预测结果。2.根据权利要求1所述的利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，其特征在于，获取密集遮挡的育苗期鲍鱼图像之后还包括：对所述育苗期鲍鱼图像进行人工标注，通过边缘定位公式，并将人工标注好的鲍鱼图片进行边缘定位，得到边界框信息，基于所述边界框信息，计算边缘定位损失。3.根据权利要求1所述的利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，其特征在于，计算得到有价值区域的过程包括：将所述育苗期鲍鱼图像输入至所述知识蒸馏网络模型中，基于蒸馏模块中教师模型和学生模型，得到概率函数输出值，并将边界框的若干个概率函数输出值离散化，得到若干个概率函数输出值，基于若干个概率函数输出值，通过特征金字塔网络计算得到有价值区域。4.根据权利要求3所述的利用知识蒸馏网络对密集遮挡的育苗期鲍鱼检测方法，其特征在于，得到概率函数输出值之后还包括：对所述教师模型进行训练，得到训练好的教师模型，利用蒸馏温度产生的SoftMax函数对训练好的教师模型进行高温蒸馏，得到教师网络输出的软标签；对所述学生模型进行训练并调整蒸馏温度产生的SoftMax函数，得到学生网络输出分支的预测分支数值，将所述预测分支数值与所述软标签进行相似度比较，得到蒸馏损失。5.根据权利要求4所述的利用...

【专利技术属性】
技术研发人员：岳峻，刘成英，寇光杰，李振波，常丽荣，贾世祥，孙浩，戴昌怡，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：