一种基于解耦跨域鱼检测模型的鱼体检测方法及系统技术方案

本发明专利技术公开了一种基于解耦跨域鱼检测模型的鱼体检测方法及系统，涉及鱼体检测技术领域，包括：基于解耦跨域鱼检测模型中的多尺度特征增强检测器，提取多尺度鱼体数据中具有源域区域建议或具有目标域区域建议的图像；将提取的图像输入至类别自适应模块，通过类别自适应对抗学习，确定鱼体图像中具有目标域区域建议图像的前景区域预测建议以及类别伪标签；将前景区域预测建议输入至回归自适应模块，通过回归自适应对抗学习，确定鱼体图像中具有目标域区域建议图像的边界框回归伪标签。本发明专利技术将领域自适应技术与水产养殖中的目标检测相结合，使得在检测模型的训练不依赖于大量的数据标注，减少了数据标注的工作量，提高了鱼体的检测效率。检测效率。检测效率。

【技术实现步骤摘要】
一种基于解耦跨域鱼检测模型的鱼体检测方法及系统


[0001]本专利技术涉及鱼类检测
，特别是涉及一种基于解耦跨域鱼检测模型的鱼体检测方法及系统。

技术介绍

[0002]智能水产养殖作为中国的一项重要产业，是现代渔业的主要发展趋势。鱼体生长状态的自动监测是精准养殖的基础，而鱼的检测是鱼体生长状态自动监测的核心。因此，水产养殖中低成本、高效、可靠的鱼目标检测可以为鱼体行为分析和生长状况监测奠定基础。
[0003]目前，基于深度学习的鱼体检测算法在工厂化养殖的实际应用中仍然面临一些挑战，在现有的检测算法中，检测模型的训练完全依赖于数据集中的标记信息，在训练模型之前，需要进行大量的数据标记；并且一旦水产养殖场景发生变化或替换，相应的训练数据集需要重新获取和标注，因此，现有检测算法的鱼体检测效率较低。

技术实现思路

[0004]本专利技术的目的是提供一种基于解耦跨域检测模型的鱼体检测方法及系统，可基于少量的跨域鱼体数据对不同水产养殖场景下的鱼体进行检测。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]本专利技术提供了一种基于解耦跨域鱼检测模型的鱼体检测方法，包括：
[0007]获取跨域鱼体数据集；所述跨域鱼体数据集包括不同水产养殖场景下的多尺度鱼体数据，所述多尺度鱼体数据为因鱼体与水下相机的相对距离的不同而拍摄到的鱼体尺度不同的图像；
[0008]基于解耦跨域鱼检测模型中的多尺度特征增强检测器，对所述多尺度鱼体数据进行特征提取，确定各个尺度的鱼体图像；所述鱼体图像为具有源域区域建议的图像或具有目标域区域建议的图像；
[0009]将所述具有源域区域建议的图像和所述具有目标域区域建议的图像输入至所述解耦跨域鱼检测模型中的类别自适应模块，通过类别自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的前景区域预测建议以及类别伪标签；
[0010]将所述前景区域预测建议输入至所述解耦跨域鱼检测模型中的回归自适应模块，通过回归自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的边界框回归伪标签；
[0011]基于所述鱼体图像、所述类别伪标签和所述边界框回归伪标签，迭代训练解耦跨域鱼检测模型；
[0012]将目标跨域鱼体数据集中的多尺度鱼体数据输入至训练好的解耦跨域鱼检测模型中，确定所述多尺度鱼体数据中各鱼体的类别和位置。
[0013]可选的，所述将所述具有源域区域建议的图像和所述具有目标域区域建议的图像输入至所述解耦跨域鱼检测模型中的类别自适应模块，通过类别自适应对抗学习，确定所
述鱼体图像中所述具有目标域区域建议图像的前景区域预测建议以及类别伪标签，具体包括：
[0014]基于域鉴别器，区分各所述鱼体图像中的所述源域区域建议和所述目标域区域建议；
[0015]基于特征提取器，提取所述源域区域建议和所述目标域区域建议的区域特征，对所述域鉴别器的区分结果进行混淆；
[0016]当所述域鉴别器和所述特征提取器的对抗性损失小于损失阈值时，确定所述源域的前景区域预测建议以及所述目标域的类别伪标签。
[0017]可选的，所述类别自适应模块的对抗损失函数，具体如下：
[0018][0019][0020]其中，为源域上的监督预训练时的交叉熵损失，λ为平衡类别适应对抗性损失的参数，为源域的自适应权重为目标域的自适应权重，，分别为源域和目标域的重加权特征表示，D为领域判别器，指源区域建议分布，为目标区域建议分布，表示特征提取器，，分别为样本属于源区域建议和目标区域建议的分布期望，为对抗损失函数。
[0021]可选的，所述回归自适应模块包括：特征生成器、对抗回归器和回归器；
[0022]所述特征生成器以减小两个预测框的间距为目标，最小化回归目标差异；
[0023]所述回归器以增加两个预测框的间距为目标，最大化回归目标差异。
[0024]可选的，所述将所述前景区域预测建议输入至所述解耦跨域鱼检测模型中的回归自适应模块，通过回归自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的边界框回归伪标签，具体包括：
[0025]基于所述特征生成器生成的最小回归目标差异和所述回归器生成的最大回归目标差异，对所述回归自适应模块进行对抗训练，得到训练好的回归自适应模块；
[0026]根据所述训练好的回归自适应模块，确定所述目标域的边界框回归伪标签。
[0027]可选的，所述回归自适应模型的对抗损失函数，具体如下：
[0028][0029]其中，为在Faster RCNN中的常用回归损失，符号
◦
为哈达玛积，和分别为源域和目标域前景建议的分布，x
s
和x
t
分别为源域和目标域样本输入，为对抗回归器，为特征提取器，，分别为样本属于源域和目标域前景建议的分布期望。
[0030]可选的，所述不同养殖环境包括养殖环境中不同的光照强度、养殖密度和背景复杂度；所述背景复杂度通过添加遮蔽物或结构物来增加。
[0031]本专利技术还提供了一种基于解耦跨域鱼检测模型的鱼体检测系统，包括：
[0032]数据获取模块，用于获取跨域鱼体数据集；所述跨域鱼体数据集包括不同水产养殖场景下的多尺度鱼体数据，所述多尺度鱼体数据为因鱼体与水下相机的相对距离的不同而拍摄到的鱼体尺度不同的图像；
[0033]特征提取模块，用于基于解耦跨域鱼检测模型中的多尺度特征增强检测器，对所述多尺度鱼体数据进行特征提取，确定各个尺度的鱼体图像；所述鱼体图像为具有源域区域建议的图像或具有目标域区域建议的图像；
[0034]类别伪标签模块，用于将所述具有源域区域建议的图像和所述具有目标域区域建议的图像输入至所述解耦跨域鱼检测模型中的类别自适应模块，通过类别自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的前景区域预测建议以及类别伪标签；
[0035]边界框回归伪标签模块，用于将所述前景区域预测建议输入至所述解耦跨域鱼检测模型中的回归自适应模块，通过回归自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的边界框回归伪标签；
[0036]训练模块，用于基于所述鱼体图像、所述类别伪标签和所述边界框回归伪标签，迭代训练解耦跨域鱼检测模型；
[0037]检测模块，用于将目标跨域鱼体数据集中的多尺度鱼体数据输入至训练好的解耦跨域鱼检测模型中，确定所述多尺度鱼体数据中各鱼体的类别和位置。
[0038]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0039]本专利技术提供了一种基于解耦跨域鱼检测模型的鱼体检测方法及系统，方法包括：获取跨域鱼体数据集；所述跨域鱼体数据集包括不同水产养殖场景下的多尺度鱼体数据，所述多尺度鱼体数据为因鱼体与水下相机的相对距离的不同而拍摄到的鱼体尺度不同的图像；基于解耦跨域鱼检测模型中的多尺度特征增强检测器，对多尺度鱼体数据进行特征提取，确定各个尺度的鱼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于解耦跨域鱼检测模型的鱼体检测方法，其特征在于，包括：获取跨域鱼体数据集；所述跨域鱼体数据集包括不同水产养殖场景下的多尺度鱼体数据，所述多尺度鱼体数据为因鱼体与水下相机的相对距离的不同而拍摄到的鱼体尺度不同的图像；基于解耦跨域鱼检测模型中的多尺度特征增强检测器，对所述多尺度鱼体数据进行特征提取，确定各个尺度的鱼体图像；所述鱼体图像为具有源域区域建议的图像或具有目标域区域建议的图像；将所述具有源域区域建议的图像和所述具有目标域区域建议的图像输入至所述解耦跨域鱼检测模型中的类别自适应模块，通过类别自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的前景区域预测建议以及类别伪标签；将所述前景区域预测建议输入至所述解耦跨域鱼检测模型中的回归自适应模块，通过回归自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的边界框回归伪标签；基于所述鱼体图像、所述类别伪标签和所述边界框回归伪标签，迭代训练所述解耦跨域鱼检测模型；将目标跨域鱼体数据集中的多尺度鱼体数据输入至训练好的解耦跨域鱼检测模型中，确定所述多尺度鱼体数据中各鱼体的类别和位置。2.根据权利要求1所述的鱼体检测方法，其特征在于，所述将所述具有源域区域建议的图像和所述具有目标域区域建议的图像输入至所述解耦跨域鱼检测模型中的类别自适应模块，通过类别自适应对抗学习，确定所述鱼体图像中所述具有目标域区域建议图像的前景区域预测建议以及类别伪标签，具体包括：基于域鉴别器，区分各所述鱼体图像中的所述源域区域建议和所述目标域区域建议；基于特征提取器，提取所述源域区域建议和所述目标域区域建议的区域特征，对所述域鉴别器的区分结果进行混淆；当所述域鉴别器和所述特征提取器的对抗性损失小于损失阈值时，确定所述源域的前景区域预测建议以及所述目标域的类别伪标签。3.根据权利要求1所述的鱼体检测方法，其特征在于，所述类别自适应模块的对抗损失函数，具体如下：函数，具体如下：其中，为源域上的监督预训练时的交叉熵损失，λ为平衡类别适应对抗性损失的参数，为源域的自适应权重为目标域的自适应权重，，分别为源域和目标域的重加权特征表示，D为领域判别器，指源区域建议分布，为目标区域建议分布，表示特征提取器，，分别为样本属于源区域建议和目标区域建议的分布期望，为对抗损失函数。
4.根据权利要求1所述的鱼体检测方法，其特征在于，所述回归自适应模块包括：特征生成器、对抗回归器和回归器；所述特征生成器以减小两个预测框的间距为目标，最小化回归目标差异；所述回归器以增加两...

【专利技术属性】
技术研发人员：钟萍，赵腾云，申振才，李道亮，陈英义，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：