一种改进Faster R-CNN目标检测的鱼类图像智能识别方法技术

本发明专利技术涉及一种改进Faster R‑CNN目标检测的鱼类图像智能识别方法，通过深度学习原理提取图像数据中鱼类的底层特征信息，经过多层神经网络，不断在更高级别中对底层鱼类图像特征信息不断排列组合，获取组合后的高级鱼类特征信息，利用线性回归原理构建边界回归算法，结合边框回归优化后的目标定位区域，通过添加次联匹配的分类算法，实现从图像数据中提取鱼类特征信息并识别分类。本发明专利技术实现了鱼类图像数据智能识别与分类，同时实现了在大规模水下鱼类密集分布的图像数据中对多种鱼类特征提取与分类，解决了鱼类智能识别领域的识别精度不高、识别速率慢、定位精度差的问题。

【技术实现步骤摘要】

本专利技术属于图像分析，具体涉及一种改进faster r-cnn目标检测的鱼类图像智能识别方法。

技术介绍

1、鱼类智能识别的目的是实现鱼类自动、准确、高效的识别和分类。通过使用计算机视觉和机器学习、深度学习等技术，将鱼类的外貌特征、体形、颜色等信息进行分析和比对，从而准确地确定鱼类的种类与数量统计。

2、目前，鱼类智能识别技术主要依赖于计算机视觉和机器学习技术的发展。通过分析鱼类的外貌特征、体形、颜色等信息，以及结合鱼类行为的监测，可以实现对鱼类的自动识别和分类。传统的机器视觉方法基于图像中鱼类的轮廓特征评估一个阈值对图像数据进行检测，该方法精度较高，但非常依赖专家人工总结有效的鱼类特征，仅适用于目标群体种类单一且有效特征高度一致，无法应对因鱼群种类和数量的增多，鱼群运动导致鱼的重叠和形状变化时鱼类目标识别问题。

3、相对于机器学习，深度学习可以自动提取图像中的特征，通过不断学习预测值与真实值的之间的差异，具有较强的适应性。目前已有的鱼类智能识别深度学习模型主要包括基于网络结构优化的yolov3模型算法、基于resblockbod本文档来自技高网...

【技术保护点】

1.一种改进Faster R-CNN目标检测的鱼类图像智能识别方法，其特征在于：所述方法的步骤为：

2.根据权利要求1所述的改进Faster R-CNN目标检测的鱼类图像智能识别方法，其特征在于：所述S1预处理去除数据集中分辨率不足及无目标和无完整目标的图像数据。

3.根据权利要求1所述的改进Faster R-CNN目标检测的鱼类图像智能识别方法，其特征在于：所述S2选取包含明显目标鱼类的图像，将目标区域分割出来，采用矩形区域分割目标区域与背景区域；将带有分割区域标记的图像转换为vol文件格式。

4.根据权利要求1所述的改进Faster R-CNN目标...

【技术特征摘要】

1.一种改进faster r-cnn目标检测的鱼类图像智能识别方法，其特征在于：所述方法的步骤为：

2.根据权利要求1所述的改进faster r-cnn目标检测的鱼类图像智能识别方法，其特征在于：所述s1预处理去除数据集中分辨率不足及无目标和无完整目标的图像数据。

3.根据权利要求1所述的改进faster r-cnn目标检测的鱼类图像智能识别方...

【专利技术属性】
技术研发人员：刘乐，苑航，田福昌，
申请(专利权)人：天津大学，
类型：发明
国别省市：