【技术实现步骤摘要】
本专利技术涉及鱼类体重预估，具体地，涉及一种基于深度学习算法的金枪鱼类体重预估系统及方法。
技术介绍
1、渔业统计数据通常是由人工记录到渔捞日志上的方式来获取的，当面临严峻的捕捞环境和繁重的渔获量统计任务时，人工进行数据统计会有视觉疲劳、身体疲劳等状况发生，导致统计的数据存在误差，制约着我国渔业的高质量发展。
2、现有的基于深度学习算法所建立的鱼类体长和体重估测算法大多以实例分割算法为基础，实例分割需要大量标记的训练数据，且对于出现在图中的每一尾鱼体都需要对其进行完整准确的轮廓标记，数据标记工作量大；并且，实例分割通常需要复杂的神经网络模型和大量的计算资源，计算量大且成本高，在实时应用或对计算资源有限的设备上不太实用，不合适部署在船用设施上。另外，实例分割检测对于金枪鱼形状的变化相对敏感，在金枪鱼有一定弯曲和形状发生变化时会降低检测的准确率。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的在于提供一种基于深度学习算法的金枪鱼类体重预估系统及方法，本专利技术数据标记工作量小，计算成本低，并且金枪鱼类体重预估准确性高。
2、为解决上述问题，本专利技术的技术方案为：
3、一种基于深度学习算法的金枪鱼类体重预估系统，包括图像采集模块、深度学习算法模块以及体重预估模块，所述图像采集模块用于对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像输入到深度学习算法模块，所述深度学习算法模块通过目标检测算法对采集到的金枪鱼进行种类判别，并对筛选出的图像通
4、优选地，所述深度学习算法模块通过关键点检测算法得到图像中金枪鱼的上下颚以及尾部开叉最深处的关键点坐标信息，将得到的金枪鱼的上颚、下颚两个关键点取中点，并与金枪鱼的尾部开叉最深处的关键点相连得到金枪鱼叉长的像素距离，根据像素距离与实际距离的转换比例因子得到实际距离。
5、优选地，所述深度学习算法模块中的目标检测算法和关键点检测算法采用yolov8-pose算法。
6、优选地，所述体重预估模块在判别鱼种后根据前期采集的相关鱼种叉长及体重数据，以幂函数为基础根据前期采集到的数据拟合得到不同鱼种的体重预估模型，将得到的金枪鱼叉长的实际距离输入到不同鱼种的体重预估模型中得到金枪鱼的体重信息。
7、进一步地，本专利技术还提供一种基于深度学习算法的金枪鱼类体重预估方法，包括以下步骤：
8、通过摄像头对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像；
9、根据筛选出的金枪鱼图像判断采集到的金枪鱼的种类，并通过关键点检测算法得到金枪鱼叉长的像素距离，通过转换因子将像素距离转换为实际距离；
10、将得到的实际距离输入不同鱼种的体重预估模型中，计算出体重并输出金枪鱼的种类和体重信息。
11、优选地，所述通过摄像头对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像的步骤，具体包括：通过摄像头对捕捞的金枪鱼进行连续视频采集，对采集到的视频进行抽帧分离得到连续的图像，将遮挡严重、模糊不清的金枪鱼图像剔除，选择清晰完整的金枪鱼图像作为数据集。
12、优选地，所述根据筛选出的金枪鱼图像判断采集到的金枪鱼的种类，并通过关键点检测算法得到金枪鱼叉长的像素距离，通过转换因子将像素距离转换为实际距离的步骤具体包括：通过目标检测算法对摄像头采集到的金枪鱼进行种类判别，并对筛选出的图像通过关键点检测算法得到金枪鱼的上下颚以及尾部开叉最深处的关键点坐标信息，将得到的金枪鱼的上颚、下颚两个关键点取中点，并与金枪鱼的尾部开叉最深处的关键点相连得到金枪鱼叉长的像素距离，根据像素距离与实际距离的转换比例因子得到实际距离。
13、优选地，所述目标检测算法和关键点检测算法采用yolov8-pose算法。
14、优选地，所述关键点检测算法推理的具体流程为：
15、输入预处理：将待检测的图像缩放到固定尺寸，并进行归一化处理；
16、特征提取：使用预训练的卷积神经网络对输入图像进行前向传播，提取特征图；
17、锚框生成：在特征图上根据预定义的大小和比例生成一组锚框，每个锚框代表了不同尺度和长宽比的候选目标框；
18、锚框调整：利用特征图与锚框的位置关系，对锚框进行调整，得到更准确的候选目标框位置；
19、目标分类与定位：在调整后的锚框上，利用分类网络进行目标分类，并使用回归网络预测目标框与关键点的坐标和尺寸；
20、非极大值抑制：对于重叠度较高的候选目标框，保留置信度最高的框，并去除其余的框，以减少冗余检测结果；
21、后处理：根据设定的阈值，筛选出置信度高于阈值的目标框，并输出最终的检测结果。
22、优选地，所述将得到的实际距离输入不同鱼种的体重预估模型中，计算出体重并输出金枪鱼的种类和体重信息的步骤，具体包括：在判别鱼种后根据前期采集的相关鱼种叉长及体重数据，以幂函数为基础根据前期采集到的数据拟合得到不同鱼种的体重预估模型，将得到的金枪鱼叉长的实际距离输入到不同鱼种的体重预估模型中得到金枪鱼的体重信息，并输出金枪鱼的种类和体重信息。
23、与现有技术相比，本专利技术的有益效果如下：
24、1、本专利技术基于深度学习算法实现了对金枪鱼体重的实时预估，减少了人工干预，能够在保持高准确性的同时降低计算成本；
25、2、本专利技术减少了前期对金枪鱼数据的标注工作量，简化了数据标记流程；
26、3、本专利技术可更好地捕捉金枪鱼的形态特征，提高了体重预估的准确性，同时为渔业管理提供更精准的数据，有助于制定有效的保护和管理策略，防止过度捕捞。
本文档来自技高网...【技术保护点】
1.一种基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述系统包括图像采集模块、深度学习算法模块以及体重预估模块，所述图像采集模块用于对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像输入到深度学习算法模块，所述深度学习算法模块通过目标检测算法对采集到的金枪鱼进行种类判别，并对筛选出的图像通过关键点检测算法得到金枪鱼叉长的像素距离，将像素距离转换成实际距离，将所述金枪鱼叉长的实际距离输入到体重预估模块，所述体重预估模块根据不同金枪鱼种的体重预估模型中得到金枪鱼的体重信息。
2.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述深度学习算法模块通过关键点检测算法得到图像中金枪鱼的上下颚以及尾部开叉最深处的关键点坐标信息，将得到的金枪鱼的上颚、下颚两个关键点取中点，并与金枪鱼的尾部开叉最深处的关键点相连得到金枪鱼叉长的像素距离，根据像素距离与实际距离的转换比例因子得到实际距离。
3.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述深度学习算法模块中的目标检测算法和关键点检测算法采用yolov8-po
4.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述体重预估模块在判别鱼种后根据前期采集的相关鱼种叉长及体重数据，以幂函数为基础根据前期采集到的数据拟合得到不同鱼种的体重预估模型，将得到的金枪鱼叉长的实际距离输入到不同鱼种的体重预估模型中得到金枪鱼的体重信息。
5.一种基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述方法包括以下步骤：
6.根据权利要求5所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述通过摄像头对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像的步骤，具体包括：通过摄像头对捕捞的金枪鱼进行连续视频采集，对采集到的视频进行抽帧分离得到连续的图像，将遮挡严重、模糊不清的金枪鱼图像剔除，选择清晰完整的金枪鱼图像作为数据集。
7.根据权利要求5所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述根据筛选出的金枪鱼图像判断采集到的金枪鱼的种类，并通过关键点检测算法得到金枪鱼叉长的像素距离，通过转换因子将像素距离转换为实际距离的步骤具体包括：通过目标检测算法对摄像头采集到的金枪鱼进行种类判别，并对筛选出的图像通过关键点检测算法得到金枪鱼的上下颚以及尾部开叉最深处的关键点坐标信息，将得到的金枪鱼的上颚、下颚两个关键点取中点，并与金枪鱼的尾部开叉最深处的关键点相连得到金枪鱼叉长的像素距离，根据像素距离与实际距离的转换比例因子得到实际距离。
8.根据权利要求7所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述目标检测算法和关键点检测算法采用yolov8-pose算法。
9.根据权利要求7所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述关键点检测算法推理的具体流程为：
10.根据权利要求5所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述将得到的实际距离输入不同鱼种的体重预估模型中，计算出体重并输出金枪鱼的种类和体重信息的步骤，具体包括：在判别鱼种后根据前期采集的相关鱼种叉长及体重数据，以幂函数为基础根据前期采集到的数据拟合得到不同鱼种的体重预估模型，将得到的金枪鱼叉长的实际距离输入到不同鱼种的体重预估模型中得到金枪鱼的体重信息，并输出金枪鱼的种类和体重信息。
...【技术特征摘要】
1.一种基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述系统包括图像采集模块、深度学习算法模块以及体重预估模块，所述图像采集模块用于对金枪鱼进行连续视频采集，筛选出清晰完整的金枪鱼图像输入到深度学习算法模块，所述深度学习算法模块通过目标检测算法对采集到的金枪鱼进行种类判别，并对筛选出的图像通过关键点检测算法得到金枪鱼叉长的像素距离，将像素距离转换成实际距离，将所述金枪鱼叉长的实际距离输入到体重预估模块，所述体重预估模块根据不同金枪鱼种的体重预估模型中得到金枪鱼的体重信息。
2.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述深度学习算法模块通过关键点检测算法得到图像中金枪鱼的上下颚以及尾部开叉最深处的关键点坐标信息，将得到的金枪鱼的上颚、下颚两个关键点取中点，并与金枪鱼的尾部开叉最深处的关键点相连得到金枪鱼叉长的像素距离，根据像素距离与实际距离的转换比例因子得到实际距离。
3.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述深度学习算法模块中的目标检测算法和关键点检测算法采用yolov8-pose算法。
4.根据权利要求1所述的基于深度学习算法的金枪鱼类体重预估系统，其特征在于，所述体重预估模块在判别鱼种后根据前期采集的相关鱼种叉长及体重数据，以幂函数为基础根据前期采集到的数据拟合得到不同鱼种的体重预估模型，将得到的金枪鱼叉长的实际距离输入到不同鱼种的体重预估模型中得到金枪鱼的体重信息。
5.一种基于深度学习算法的金枪鱼类体重预估方法，其特征在于，所述方法包括以下步骤：
6.根据权利要求5所述的基于深度学习算法的金枪鱼类体重预估方法，其特征在...
【专利技术属性】
技术研发人员：刘雨青，伏州，宋利明，隋恒寿，吴世腾，李彬，李杰，张子宸，
申请(专利权)人：上海海洋大学，
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。