【技术实现步骤摘要】
本专利技术公开一种基于贝塞尔曲线的海参原位长度测量方法，属于图像分析。
技术介绍
1、近年来，海参因其独特的营养价值和市场需求的迅速增长，已成为一项宝贵的渔业资源，在渔业生产中发挥着举足轻重的作用。作为海洋渔业发展的创新模式，海洋牧场为海参养殖提供了可持续发展的平台。对于以海参养殖为主业的海洋牧场而言，长度测量是评估生长状况的关键指标。此外，在海参捕捞过程中，海参的长度也是评估其成熟度水平的重要因素。目前的资源调查主要依赖于人工方法，使用圆周法和条带法对采样区域进行人工圈定，以评估海参的数量、规格和生长状况。然而，在进行人工测量海参长度时，其身体的可塑性和应激反应（导致内脏的排出）对获得准确的测量结果提出了一系列挑战。由于人工测量海参长度成本高、时空分辨率低，人工资源调查方法无法满足海洋牧场整个生产周期对海参资源进行综合监测的需求。迫切需要一种非接触式海参原位长度测量方法，以推动海洋牧场高效地监测和保护海参资源。
2、目前，非接触式海参原位长度测量方法，主要依靠视觉感知技术。首先需要获取海参的躯干曲线作为测量对象，再结合感知区域的三维信息计算出海参的长度。海参躯干曲线的获取可以分为传统的基于形态学、旋转卡尺的方法和基于深度学习的曲线预测方法。对于传统的基于形态学和基于旋转卡尺的方法，由于这两种方法都需要分割掩码作为先验知识。首先需要从复杂的背景中分割出海参语义掩码，作为形态学和旋转卡尺的模块的输入，这需要大量的人工成本标注进行训练。另外，基于形态学拟合会存在曲线分支，基于旋转卡尺拟合只是最长凸包直径，对于海参躯干曲线
3、随着深度学习技术的进步，得益于良好的特征学习和预测表达能力，曲线检测和建模的研究取得了快速的发展，旨在从图像中识别和提取各种类型的曲线、轮廓或边界，这些曲线检测技术已经广泛的运用于车道线检测、场景文本检测和遥感表面波检测等领域。但将以往曲线检测技术应用在海参躯干曲线检测和建模任务上面临着较大的挑战。首先，水下平台和机器人视角下的海参目标较小，在复杂的海参栖息地场景下检测和建模海参躯干曲线是较为困难的。其次，基于深度学习针对大型目标的曲线检测和建模的方法无法清楚地界定预测曲线的端点，但是端点对于确保长度测量的准确性至关重要。此外，以往的基于深度学习的曲线预测和建模方法受模型自身结构与运算量的影响，无法实现海参躯干曲线的实时预测和建模。在获取到海参躯干曲线后，将曲线进行三维映射，得到曲线的三维点云，通过一型空间线积分计算出海参的长度。
技术实现思路
1、本专利技术的目的在于提供一种基于贝塞尔曲线的海参原位长度测量方法，以解决现有技术中，非接触式海参原位长度测量精度不足的问题。
2、一种基于贝塞尔曲线的海参原位长度测量方法，包括：
3、s1.制作处理数据集，从视频库中逐帧截取待检测视频流，构建深度学习目标检测和贝塞尔曲线预测模型训练与学习过程中所需的训练样本；
4、s2.搭建海参检测和贝塞尔曲线预测深度学习网络；
5、s3.训练海参检测和贝塞尔曲线预测深度学习网络，得到海参检测和贝塞尔曲线预测模型，利用目标检测损失函数和离散化的曲线损失函数对海参检测和贝塞尔曲线预测模型进行约束优化，利用贝塞尔曲线端点损失函数提升贝塞尔曲线的鲁棒性；
6、结合三种损失函数协同约束海参检测和贝塞尔曲线预测深度学习网络的总体输出，反馈优化海参检测和贝塞尔曲线预测深度学习网络的模型参数；
7、s4.将海参躯干曲线与双目相机三维点云进行匹配，得到躯干曲线的点云坐标，利用一型空间线积分计算得到海参原位长度；
8、s5.将视频流作为海参检测和贝塞尔曲线预测模型的输入，经过目标检测、贝塞尔曲线预测、三维点云匹配、一型空间线积分处理后，输出海参的位置信息和测量长度。
9、s1包括，利用数据集标注工具标注海参的外接矩形框(x，y，w，h)，沿着海参的躯干曲线等间距标注五个贝塞尔曲线控制点，将五个贝塞尔曲线控制点作为目标检测和贝塞尔曲线预测模块训练的参考真值，将参考真值进行归一化处理：
10、，，，，，；
11、式中，和是图像的高和宽，，是参考真值的图坐标，；
12、一个训练样本包含视频流图像、图像上标注的海参目标矩形框(x，y，w，h)和贝塞尔曲线五个控制点信息，式中，(x，y)为目标矩形框在图像中的中心位置，(w，h)为矩形框的宽度和高度，表示贝塞尔曲线控制点横坐标，表示贝塞尔曲线控制点纵坐标。
13、s2包括，s2.1.搭建海参检测和贝塞尔曲线预测深度学习网络，包括图像扩展模块、海参检测和贝塞尔曲线预测协同模块，图像扩展包括旋转、裁剪、拼接；
14、s2.2.搭建海参检测和贝塞尔曲线预测协同模块，以视频流图像为输入，预测输出海参的矩形框参数和贝塞尔曲线控制点的坐标，海参检测和贝塞尔曲线预测协同模块包括深度编码模块、解码模块和内置的多尺度注意力感知模块。
15、深度编码模块采用跨阶段局部网络，依次包括卷积层、归一化层、下采样层和激活层，以深度特征提取结构堆叠而成，提取输入图像的深层特征表达；
16、解码模块采用特征金字塔路径聚合网络，依次包括上采样层、卷积层和拼接层，以上采样特征拼接结构堆叠而成，获取图像浅层特征和深层特征结合表达；
17、多尺度注意力感知模块获取不同编码尺度之间的特征依赖关系，预测输出检测目标的矩形框和海参贝塞尔躯干曲线，根据通道维数将输入特征映射分组为子特征以学习不同的语义，利用2d全局平均池化实现空间信息的编码：
18、；
19、其中，和表示特征图大小，表示特征图的像素，表示特征图的池化输出。
20、s3包括：
21、s3.1.将从频库中逐帧截取待检测视频流，作为深度学习海参检测和贝塞尔曲线预测网络的输入；
22、s3.2.将海参检测和贝塞尔曲线预测深度学习网络中与目标检测相关的四个参数输出，四个参数输出包括目标矩形框在图像中的中心位置和矩形框的宽度和高度；
23、s3.3.计算矩形框与之间交并比：
24、；
25、式中，是矩形框的真值标签，是矩形框的预测值。
26、s3包括：
27、s3.4.通过添加长宽比的一致性作为预测框和目标框的惩罚项，使用损失：
28、；
29、；
30、式中，为交并比，和分别表示和的中心点，为欧式距离，是覆盖两个矩形框的最小封闭框的对角线长度，是一个正的权衡参数，衡量长宽比的一致性，和分别是目标框的宽度和高度。
31、s3包括：
32、s3.5.将海参检测和贝塞尔曲线预测深度学习网络中与贝塞尔曲线预测相关的五个控制点输出，计算由控制点拟合的贝塞尔曲线之间的离散化差异；
3本文档来自技高网...
【技术保护点】
1.一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，包括：
2.根据权利要求1所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S1包括，利用数据集标注工具标注海参的外接矩形框(x，y，w，h)，沿着海参的躯干曲线等间距标注五个贝塞尔曲线控制点，将五个贝塞尔曲线控制点作为目标检测和贝塞尔曲线预测模块训练的参考真值，将参考真值进行归一化处理：
3.根据权利要求2所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S2包括，S2.1.搭建海参检测和贝塞尔曲线预测深度学习网络，包括图像扩展模块、海参检测和贝塞尔曲线预测协同模块，图像扩展包括旋转、裁剪、拼接；
4.根据权利要求3所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，深度编码模块采用跨阶段局部网络，依次包括卷积层、归一化层、下采样层和激活层，以深度特征提取结构堆叠而成，提取输入图像的深层特征表达；
5.根据权利要求4所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S3包括：
6.根据权利要求5所述的一种基于贝塞尔曲线的海参
7.根据权利要求6所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S3包括：
8.根据权利要求7所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S3包括：
9.根据权利要求8所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S3包括：
10.根据权利要求9所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，S4包括，利用双目相机获取感知水域的三维点云，将海参躯干曲线与三维点云进行匹配，实现曲线从二维像素空间到三维点云空间的转换；
...【技术特征摘要】
1.一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，包括：
2.根据权利要求1所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，s1包括，利用数据集标注工具标注海参的外接矩形框(x，y，w，h)，沿着海参的躯干曲线等间距标注五个贝塞尔曲线控制点，将五个贝塞尔曲线控制点作为目标检测和贝塞尔曲线预测模块训练的参考真值，将参考真值进行归一化处理：
3.根据权利要求2所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，s2包括，s2.1.搭建海参检测和贝塞尔曲线预测深度学习网络，包括图像扩展模块、海参检测和贝塞尔曲线预测协同模块，图像扩展包括旋转、裁剪、拼接；
4.根据权利要求3所述的一种基于贝塞尔曲线的海参原位长度测量方法，其特征在于，深度编码模块采用跨阶段局部网络，依次包括卷积层、归一化层、下采样层和激活层，以深度...
【专利技术属性】
技术研发人员：李坤乾，刘帅鑫，徐旷惟，宋大雷，姜迁里，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。