基于全卷积算法的海产品图像跨模态合成评估方法技术

基于全卷积算法的海产品图像跨模态合成评估方法，所述合成评估方法包括以下步骤：对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集；以图像数据集为基础，在全双工总线的模式下得到框架训练模型，所述框架训练模型包括启动器

【技术实现步骤摘要】
基于全卷积算法的海产品图像跨模态合成评估方法


：
[0001]本专利技术涉及基于全卷积算法的海产品图像跨模态合成评估方法
。

技术介绍

：
[0002]海产品是指海洋中可供食用或者使用的产品，范围非常的广泛，大多数指的是海生动物和海生植物；为了对海产品的质量进行准确评估，需要对不同种类的海产品图像进行采集和汇总，根据海产品图像的特性，逐步分析出海产品的形态
。
[0003]一般情况下，在图像处理领域中，深度学习算法是一个必要的技术特征，采用深度学习算法可以实现海产品跨模态图像的合成，可以在不进行全面扫描的情况下得到完成海产品相关的图像，并以此为基础来进行评估运算
。
[0004]现有的海产品图像合成评估方法往往是依靠建立循环一致性模型来进行图像的合成处理，由于一致性模型需要成像良好对齐的图像来作为基础，导致一致性模型输出的海产品图像并不是最优解，会在后期过滤处理的过程中产生归纳偏差，影响海产品图像的整体布局精度，对于一些局部细节并不能精准的进行展示，从而使针对海产品图像的全局特征建模会存在很大的缺陷，并不能得到满足实际需求的海产品图像
。

技术实现思路

：
[0005]本专利技术实施例提供了基于全卷积算法的海产品图像跨模态合成评估方法，方法设计合理，基于卷积神经网络和全卷积算法，经由图像数据预处理后建立数据集和训练模型来捕捉海产品图像的局部信息和上下文信息，能够得到训练模型和海产品图像之间的映射关系，并以此为基础来使海产品图像与训练模型呈现一一对应的关系，能够更好的捕捉海产品的特征信息，不需要进行海产品全扫描就可以得到精准度满足实际应用需求的海产品图像，可以将海产品图像的全部局部特征全部展示，保证能通过海产品图像对海产品的质量进行准确评估，解决了现有技术中存在的问题
。
[0006]本专利技术为解决上述技术问题所采用的技术方案是：
[0007]基于全卷积算法的海产品图像跨模态合成评估方法，所述合成评估方法包括以下步骤：
[0008]S1
，对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集；
[0009]S2
，以图像数据集为基础，在全双工总线的模式下得到框架训练模型，所述框架训练模型包括启动器
、
传输校准网络和判定器，所述启动器用于采用全卷积结构来建立源域图像和目标源图像之间的映射关系，以提升海产品图像的真实性；所述传输校准网络用于产生变形网络结构来校准启动器的输出；所述判定器用于将启动器的海产品图像与真实的海产品进行对比判定；
[0010]S3
，在框架训练模型中输入海产品图像进行训练，以使启动器和判定器能够交互信息数据而得到更新，优化启动器的性能，启动器得到更接近真实海产品的信息布局和特
[0031][0032]其中，
α0、
β0、
γ0为初始参数，
D
min
表示框架训练模型的最小评估参量，
D
s
表示框架训练模型的实时评估参数
。
[0033]本专利技术采用上述结构，通过对海产品图像进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集；通过建立的框架训练模型进行训练，以使启动器和判定器能够交互信息数据而得到更新，优化启动器的性能，启动器得到更接近真实海产品的信息布局和特征分布；通过框架训练模型经由训练后传输到数据控制中心，数据控制中心将框架训练模型转换成合成器，采用合成器合成得到海产品图像，具有简便实用
、
精准高效的优点
。
附图说明
：
[0034]图1为本专利技术的流程示意图
。
[0035]图2为本专利技术的框架训练模型的结构示意图
。
[0036]图3为本专利技术的驱动器的结构示意图
。
[0037]图4为本专利技术的卷积标准模块的结构示意图
。
具体实施方式
：
[0038]为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本专利技术进行详细阐述
。
[0039]如图1‑4中所示，基于全卷积算法的海产品图像跨模态合成评估方法，所述合成评估方法包括以下步骤：
[0040]S1
，对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集；
[0041]S2
，以图像数据集为基础，在全双工总线的模式下得到框架训练模型，所述框架训练模型包括启动器
、
传输校准网络和判定器，所述启动器用于采用全卷积结构来建立源域图像和目标源图像之间的映射关系，以提升海产品图像的真实性；所述传输校准网络用于产生变形网络结构来校准启动器的输出；所述判定器用于将启动器的海产品图像与真实的海产品进行对比判定；
[0042]S3
，在框架训练模型中输入海产品图像进行训练，以使启动器和判定器能够交互信息数据而得到更新，优化启动器的性能，启动器得到更接近真实海产品的信息布局和特征分布；
[0043]S4
，框架训练模型经由训练后传输到数据控制中心，数据控制中心将框架训练模型转换成合成器，采用合成器合成得到海产品图像
。
[0044]对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集包括以下步骤：
[0045]S1.1
，对海产品图像相关的图片信息数据进行原始格式的转换；
[0046]S1.2
，将转换原始格式的图片信息数据线性匹配到海产品图像上；
[0047]S1.3
，设置海产品图像的具体参数，并转换成标准切片格式进行汇总，所述海产品图像的具体参数为
1000*2000
像素，设置有标准参数进行修正
。
[0048]在启动器内设有编码器
、
处理器和解码器，所述处理器将编码器和解码器进行连通；在处理器中设有全卷积模块和残差卷积模块，来提升海产品图像局部化特征的灵敏度和真实性；在编码器和解码器中经由卷积层来消除操作偏差
。
[0049]所述全卷积模块包括卷积标准模块和卷积解析模块，所述卷积标准模块用于设定多项卷积计算的标准相关参数，所述卷积解析模块用于以高分辨率的形式来学习海产品局部特征和全局特征；
[0050]所述卷积标准模块包括输入接口
、
执行器和运算器，所述输入接口用于以输入映射的形式将海产品图像进行输入；所述执行器用于生成与输入海产品图像相关的特征数据；所述运算器用于对特征数据进行综合运输；
[0051]所述卷积解析模块内设有多分支卷积层，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于全卷积算法的海产品图像跨模态合成评估方法，其特征在于，所述合成评估方法包括以下步骤：
S1
，对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集；
S2
，以图像数据集为基础，在全双工总线的模式下得到框架训练模型，所述框架训练模型包括启动器
、
传输校准网络和判定器，所述启动器用于采用全卷积结构来建立源域图像和目标源图像之间的映射关系，以提升海产品图像的真实性；所述传输校准网络用于产生变形网络结构来校准启动器的输出；所述判定器用于将启动器的海产品图像与真实的海产品进行对比判定；
S3
，在框架训练模型中输入海产品图像进行训练，以使启动器和判定器能够交互信息数据而得到更新，优化启动器的性能，启动器得到更接近真实海产品的信息布局和特征分布；
S4
，框架训练模型经由训练后传输到数据控制中心，数据控制中心将框架训练模型转换成合成器，采用合成器合成得到海产品图像
。2.
根据权利要求1所述的基于全卷积算法的海产品图像跨模态合成评估方法，其特征在于，对海产品图像相关的信息数据进行预处理，将海产品图像的格式转换成标准切片格式，汇总全部的标准切片格式的海产品图像得到相应的图像数据集包括以下步骤：
S1.1
，对海产品图像相关的图片信息数据进行原始格式的转换；
S1.2
，将转换原始格式的图片信息数据线性匹配到海产品图像上；
S1.3
，设置海产品图像的具体参数，并转换成标准切片格式进行汇总，所述海产品图像的具体参数为
1000*2000
像素，设置有标准参数进行修正
。3.
根据权利要求1所述的基于全卷积算法的海产品图像跨模态合成评估方法，其特征在于：在启动器内设有编码器
、
处理器和解码器，所述处理器将编码器和解码器进行连通；在处理器中设有全卷积模块和残差卷积模块，来提升海产品图像局部化特征的灵敏度和真实性；在编码器和解码器中经由卷积层来消除操作偏差
。4.
根据权利要求3所述的基于全卷积算法的海产品图像跨模态合成评估方法，其特征在于：所述全卷积模块包括卷积标准模块和卷积解析模块，所述卷积标准模块用于设定多项卷积计算的标准相关参数，所述卷积解析模块用于以高分辨率的形式来学习海产品局部特征...

【专利技术属性】
技术研发人员：刘志敏，王家磊，沈源庆，徐娜，曾海英，于玲，
申请(专利权)人：山东时进检测服务有限公司，
类型：发明
国别省市：