[发明专利]基于卷积神经网络的侧线鳞识别方法

说明书

技术领域

本发明涉及计算机视觉、图像识别、渔业研究领域，具体是一种基于卷积神经网络的淡水鱼侧线鳞识别方法。

背景技术

在渔业养殖和渔业研究中，鱼类的表形特征，又称视觉属性，包括鱼的长宽尺寸、表面积、形状、颜色、侧线鳞数目等，是渔业研究者对鱼进行喂养、用药、分级、选别和水环境监测的主要信息依据。

目前，机器视觉在鱼类表形上的研究应用主要集中于鱼的尺寸测量、表面积测量、颜色获取等，对鱼类的侧线鳞检测的应用研究却罕见报道。而侧线鳞数目作为渔业研究者对鱼进行分门别类的重要数据指标，长期以来，一直靠人工数数的方式进行，一方面，自动化程度较低，耗时耗力，另一方面，长此以往，易导致疲劳出错等问题。而机器视觉在侧线鳞计数上的应用却罕见报到。

究其原因，主要存在以下两个难点：第一，要实现自动化的侧线鳞精确计数，首先必须让机器自己知道侧线鳞在鱼身上的确切位置，即用机器视觉的方法在鱼体身上众多的鱼鳞片中准确地找到侧线鳞所在的位置，也就是准确区分侧线鳞与非侧线鳞。而侧线鳞与非侧线鳞本身在颜色形状上差异并不是很明显，用传统的机器视觉图像处理方法难以对其加以区分。并且，鳞片与鳞片之间通常都会有狭小缝隙，缝隙呈现深黑色，给侧线鳞的位置识别增加了难度。第二，找到侧线鳞的具体区域位置之后，还需对区域内的鳞片数进行逐个累加计算，而侧线鳞片之间存在边缘不明显的情况，这给侧线鳞的精确计数带来不小的挑战。

发明内容

本发明针对侧线鳞自动计数中的第一个难点问题，即侧线鳞的识别问题，提出了一种基于卷积神经网络的侧线鳞识别方法，通过此方法可实现对淡水鱼侧线鳞的精确识别。

技术方案：一种基于卷积神经网络的侧线鳞识别方法，包括以下步骤：

步骤1：构建侧线鳞识别的卷积神经网络结构，依次为输入层、多个卷积层、多个下采样层、输出层；

步骤2：图像采集，即原始鱼体图像的采集，并将采集到的图像分为学习图像记为学习数据集、测试图像记为测试数据集；

步骤3：样本采集，用方形采样方块对学习图像进行样本采集，侧线鳞部分居于采样方块中间位置的的样本作为正样本，其它非侧线鳞部分作为负样本；

步骤4：将在学习图像上采集到的正负样本进行归一化处理，并分为训练集与验证集；

步骤5：将步骤4中的训练集和验证集输入步骤1的卷积神经网络进行迭代训练，直至在验证集上的识别准确率达到预期目标或者卷积神经网络在验证集上的目标函数损失值开始收敛为止，保存模型M；

步骤6：用步骤1的网络结构加载步骤5中保存的网络模型，对测试集中的完整的鱼体图像上的侧线鳞进行识别检测；

步骤7：对鱼体上识别出的侧线鳞进行拟合，得到完整的侧线鳞曲线，完成侧线鳞的精确识别。

优选的，所述卷积神经网络结构共七层：第一层、第二层C1、第三层S2、第四层C3、第五层S4、第六层F5、第七层；其中：第一层为输入层，接收3×28×28的彩色图像输入；第二层C1和第四层C3为卷积层，对图像进行特征学习提取；第三层S2和第五层S4为下采样层，对卷积层学习到的图像特征进行最大值下采样；第六层F5为全连接的一维网络；第七层是输出层。

优选的，步骤4中通过双线性插值方法进行归一化处理。

优选的，步骤3中所述方形采样方块为64×64的采样方块。

更优的，步骤6中完整的测试过程如下：

6-1：从测试集中选取一张图片作为测试图T，从测试图的左上角开始，设一64×64的滑动窗口W，以步长S遍历整张图像，每滑动一次，都记录下滑动窗口内的图像I，这样，当遍历完整张图像之后，便得到n张64×64的图像，记为I₁,I₂,...,I_n，并且记下每张小图在原图中的中心点坐标(Ci,Ri)(i＝1,2,...,n)；

6-2：搭建相同的网络结构N，并加载模型M；

6-3：依次将图像I_i(i＝1,2,...,n)归一化为28×28后，输入网络结构N进行识别预测；

6-4：若预测为正样本，即为侧线鳞，则按图索引到图像坐标后在原图中将该区域用64×64的红色矩形标注出来，并执行下一张；否则，什么都不干，继续执行下一张；

6-5：从测试集中选取另一张图像进行测试，重复执行6-1～6-5。