水下非均匀光场家鱼个体图像识别方法技术

本发明专利技术涉及图像识别技术领域，具体水下非均匀光场家鱼个体图像识别方法，包括以下步骤：使用水下摄像机采集数据，输入层添加被禁替换与ORB特征提取算法；采用超分辨率重构算法对图像数据进行重构；基于Adam算法优化卷积神经网络，更新网络权重，基于Dropout算法优化卷积神经网络；对特征进行组合和分类，最终完成图像识别。本发明专利技术能够在对非均匀光场家鱼的识别率和速度上有着较大提升，且本模型测试集正确率方面有较为明显的提升，能够对识别水下非均匀家鱼个体图像方面具有更强的适用性。非均匀家鱼个体图像方面具有更强的适用性。非均匀家鱼个体图像方面具有更强的适用性。

【技术实现步骤摘要】
水下非均匀光场家鱼个体图像识别方法


[0001]本专利技术涉及图像识别
，具体为水下非均匀光场家鱼个体图像识别方法。

技术介绍

[0002]针对水产养殖业，耗费人工成本去观测水下家鱼的生长情况和区分类别。本专利借助水下摄像机建立一种家鱼识别模型来降低人工开销。由于水面波纹的折射、悬浮颗粒物对光波的散射原因，采集水下图像时为一个非均匀光场，获得图像数据清晰度差、信噪比低从而使得无法正确识别家鱼类别和掌握鱼生长情况。利用偏振原理优化水下非均匀光场，并对图像进行增强，使用基于卷积神经网络改进模型去识别分类家鱼个体；
[0003]但是典型的卷积神经网络在输入层前会对图像进行去均值：把输入数据各个维度都中心化为0，其目的就是把样本的中心拉回到坐标系原点上。归一化：幅度归一化到同样的范围，减少各维度数据取值范围的差异而带来的干扰，比如，有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。
[0004][0005]对于每一维的特征xi，i＝1、2、3、
…
q，第k个样本的特征值xik，k＝1,2,...m归一化后：
[0006][0007]这样对图像进行处理，虽然降低图像的原始噪声，但在特征提取阶段和识别权重获取阶段会产生过拟合现象，即训练效果过度优于测试时的正确率。从而识别率无法达到预想目的，为此提出水下非均匀光场家鱼个体图像识别方法。

技术实现思路

[0008]本专利技术的目的在于提供水下非均匀光场家鱼个体图像识别方法，以解决上述
技术介绍
中提出的问题。
[0009]为实现上述目的，本专利技术提供如下技术方案：
[0010]水下非均匀光场家鱼个体图像识别方法，包括以下步骤：
[0011]步骤S1，使用水下摄像机采集数据，输入层添加被禁替换与ORB特征提取算法；
[0012]背景替换与ORB特征提取结合，添加到卷积神经网络模型输入层中，对图像进行特征凸显和提取；
[0013]ORB将图像数据各个像素点先进行块化处理，再对块化处理的数据进行FAST对角特征提取，即对像素点矩阵进行重新排列；
[0014]ORB对特征点的判断公式为：
[0015][0016]上式I(x)为圆周上任意一点的灰度，i(p)为圆心的灰度，E
d
为灰度值差得阈值，如果N大于给定阈值，为周围圆圈点的四分之三，则认为p是一个特征点；
[0017]提取所有的特征点，再利用非极大线性抑制去除局部特征点过多的问题；
[0018]背景替换背景替换中，使用K
‑
均值的聚类方法，对图像数据进行分割；
[0019]随机选取K个样本点作为初始聚类中心；
[0020]计算样本特征向量x
i
与样本中心c
j
的距离；
[0021][0022]x
i
＝[x
1i
,
……
x
mi
]T
[0023]c
j
＝[c
1j
,
……
c
mj
]T
[0024]将样本x划分到离它最近的聚类中心所对应的类中，将聚类中心K继续按照寻找与其它聚类中心距离最短，划分在一起，直到聚类中心k唯一；
[0025]输入层在此可获取家鱼的主要特征，便于后期的卷积和池化操作；
[0026]步骤S2，采用超分辨率重构算法对图像数据进行重构；
[0027]单线性插值是将像素点(x0，y0)、(x1，y1)两点间连一条直线，求取(x0，x1)间特征点y的值，公式如下：
[0028][0029][0030]步骤S3，基于Adam算法优化卷积神经网络，更新网络权重，根据目标函数对每个参数的梯度一阶矩和二阶矩进行估计，使用指数移动平均计算，使每个参数的梯度的特征缩放不变，解决在参数空间迭代过程中的高噪声和梯度稀释问题；
[0031]算法公式如下：
[0032][0033]其中，w(t)表示第t步的参数，α表示学习率，表示第t步的梯度，v(t)表示第t步的梯度平方的指数加权平均值，ε表示一个很小的数，用于防止分母为0；
[0034]步骤S4，基于Dropout算法优化卷积神经网络；
[0035]随机删除网络中的一些隐藏神经元，保持输入输出神经元不变；将输入通过修改后的网络进行前向传播，然后将误差通过修改后的网络进行反向传播；
[0036]重复上述操作Dropout在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征；
[0037]Dropout(x)＝x*Bernnouli(pj)
[0038]其中x表示输入，p表示Dropout的概率,Brenouli(p)表示概率p生成0或者1产生伯努利分布；
[0039]步骤S4，对特征进行组合和分类，最终完成图像识别；
[0040]优选的，ORB特征检测具有尺度和旋转不变性，对于噪声及其透视变换也具有不变性，可进行细化提取特征；
[0041]优选的，超分辨率重构算法是基于亚像素对低像素进行单线性插值上采样卷积，得到高像素的图像数据；
[0042]优选的，Adam算法为加了动量momentum方法的学习率自适应优化器，是对随机梯度下降法更有效地更新网络权重。
[0043]与现有技术相比，本专利技术的有益效果是：
[0044]1.该水下非均匀光场家鱼个体图像识别方法，使用本方法能够在对非均匀光场家鱼的识别率和速度上有着较大提升。
[0045]2.该水下非均匀光场家鱼个体图像识别方法，本模型测试集正确率方面有较为明显的提升，能够对识别水下非均匀家鱼个体图像方面具有更强的适用性。
附图说明
[0046]图1为本专利技术的超分辨率重构算法示意图；
[0047]图2为本专利技术的训练次数与成功率/损失率示意图；
[0048]图3为本专利技术的典型模型与改进模型测试集损失率对比示意图；
[0049]图4为本专利技术典型模型与改进模型成功率对比示意图。
具体实施方式
[0050]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0051]在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.水下非均匀光场家鱼个体图像识别方法，其特征在于：包括以下步骤：步骤S1，使用水下摄像机采集数据，输入层添加被禁替换与ORB特征提取算法；背景替换与ORB特征提取结合，添加到卷积神经网络模型输入层中，对图像进行特征凸显和提取；ORB将图像数据各个像素点先进行块化处理，再对块化处理的数据进行FAST对角特征提取，即对像素点矩阵进行重新排列；ORB对特征点的判断公式为：上式I(x)为圆周上任意一点的灰度，i(p)为圆心的灰度，E
d
为灰度值差得阈值，如果N大于给定阈值，为周围圆圈点的四分之三，则认为p是一个特征点；提取所有的特征点，再利用非极大线性抑制去除局部特征点过多的问题；背景替换背景替换中，使用K
‑
均值的聚类方法，对图像数据进行分割；随机选取K个样本点作为初始聚类中心；计算样本特征向量xi与样本中心cj的距离；x
i
＝[x
1i
,
……
x
mi
]
T
c
j
＝[c
1j
,
……
c
mj
]
T
将样本x划分到离它最近的聚类中心所对应的类中，将聚类中心K继续按照寻找与其它聚类中心距离最短，划分在一起，直到聚类中心k唯一；输入层在此可获取家鱼的主要特征，便于后期的卷积和池化操作；步骤S2，采用超分辨率重构算法对图像数据进行重构；单线性插值是将像素点(x0，y0)、(x1，y1)两点间连一条直线，求取(x0，x1)间特征点y的值，公式如下：值，公式如下...

【专利技术属性】
技术研发人员：吴亚东，刘凯，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：