[发明专利]一种基于ResNet迁移学习的鱼类品种自动分拣方法

权利要求书

1.一种基于ResNet迁移学习的鱼类品种自动分拣方法，其特征在于，包括步骤如下：

A、利用迁移学习训练鱼分类网络模型

(1)采集检测箱中不同品种鱼的图像；

(2)对采集到的不同品种鱼的图像进行数据增强；

(3)将步骤(1)采集到的不同品种鱼的图像和步骤(2)数据增强后的图像一起构成鱼类图像数据集；

(4)将鱼类图像数据集分为训练集、验证集和测试集；

(5)采用ImageNet数据集预训练ResNet34模型；

(6)构建鱼分类网络模型，所述鱼分类网络模型是指：将视觉空间注意力模块加入ResNet34模型中，并把ResNet34模型最后一层全连接层的节点数改为要预测的鱼类品种数；

(7)将步骤(5)预训练的ResNet34模型的权重加载到鱼分类网络模型中，不加载步骤(5)预训练的ResNet34模型的最后一层全连接层的权重；

(8)采用训练集训练鱼分类网络模型；

B、通过步骤A训练好的鱼分类网络模型进行鱼类品种自动分拣

(9)将待测的鱼送入检测箱中，每次送入1条鱼，采集若干帧检测箱内摄像头拍摄到的鱼类图像；

(10)将每一帧鱼类图像送入步骤A训练好的鱼分类网络模型中进行检测，输出鱼类品种；

(11)根据检测出的每一帧鱼类图像的鱼类品种，判断最终预测出的鱼类品种。

2.根据权利要求1所述的一种基于ResNet迁移学习的鱼类品种自动分拣方法，其特征在于，鱼分类网络模型包括两个视觉空间注意力模块和ResNet34模型；

ResNet34模型包括33层卷积层、2层池化层和1层全连接层，除第1层卷积层conv1外，其余32层卷积层被分成4组，即conv2_x、conv3_x、conv4_x、conv5_x，分别包括3、4、6、3个残差学习单元，残差学习单元包括依次连接的2层卷积层，在2层卷积层的输入和输出之间建立了一个直接连接；

2层池化层包括最大值池化层max pool、平均池化层average pool_1；1层全连接层是指全连接层fc；

第1层卷积层conv1、最大值池化层max pool、4组卷积层即conv2_x、conv3_x、conv4_x、conv5_x、平均池化层average pool_1、全连接层fc依次连接；

两个视觉空间注意力模块的结构相同，第一个注意力模块位于第1层卷积层conv1与最大值池化层max pool之间，第二个注意力模块位于conv5_x与平均池化层average pool_1之间；

视觉空间注意力模块包括1层平均池化层average pool_2、1层卷积层conv6、sigmoid激活函数层。

3.根据权利要求1所述的一种基于ResNet迁移学习的鱼类品种自动分拣方法，其特征在于，步骤(2)中，对采集到的不同品种鱼的图像进行数据增强，即对采集到的不同品种鱼的图像分别进行步骤a-d的处理：

a、旋转：将图像分别顺时针旋转90度和270度，保存旋转后的两张图像；

b、裁剪：对图像上、下、左、右各裁剪20像素，保存裁剪后的图像；

c、翻转：对图像分别进行水平翻转和垂直翻转，水平翻转是指以过图像中心的竖直轴为对称轴将左、右两边像素交换，垂直翻转是指以过图像中心的水平轴为对称轴将上、下两边像素交换，保存翻转后的两张图像；

d、增强对比度：采用python图像处理库PIL的ImageEnhance模块中的Contrast类进行对比度增强，增强因子设为1.5。

4.根据权利要求1所述的一种基于ResNet迁移学习的鱼类品种自动分拣方法，其特征在于，步骤(1)中，每张图像中只含有一条鱼，每条鱼采集若干张其在水中各种游动姿态的图像，包括鱼的各种视角的图像。

5.根据权利要求2所述的一种基于ResNet迁移学习的鱼类品种自动分拣方法，其特征在于，残差学习单元的输出如式(Ⅰ)所示：

q＝F(p)+p (Ⅰ)

式(Ⅰ)中，p为残差学习单元的输入，F(p)为p经过2层卷积层后的输出，q为残差学习单元的输出。