[发明专利]一种基于ResNet迁移学习的鱼类品种自动分拣方法

说明书

本发明涉及一种基于ResNet迁移学习的鱼类品种自动分拣方法，包括：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)数据增强；(3)构成鱼类图像数据集；(4)分为训练集、验证集和测试集；(5)预训练ResNet34模型；(6)构建鱼分类网络模型；(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；(8)采用训练集训练鱼分类网络模型；B、通过训练好的鱼分类网络模型进行鱼类品种自动分拣；本发明将视觉空间注意力模块加入到ResNet34中，可以忽略鱼类图像中的无关信息，重点关注对区分鱼类较为重要的区域，提高了鱼类分拣的准确率。

技术领域

本发明涉及一种基于ResNet迁移学习的鱼类品种自动分拣方法，属于鱼类品种识别技术领域。

背景技术

在水产养殖中，养殖户们采购鱼苗时，通常会掺杂其他品种的鱼苗，例如菲律宾鳗鱼苗种类不一，引进的花鳗鱼苗中常常会掺杂太平洋双色鳗，它们在幼苗期通常大小、体重、外形相似，不易区分，很大程度上影响了花鳗鲡的质量和销售，给养殖户们带来经济损失。目前主要的鱼苗分拣方法是依靠人工分拣，这需要工人熟识鱼类品种的特点，不仅耗费大量的劳动力，效率低下，而且容易出现分拣错误。因此，如何设计鱼类自动分拣方法代替人工分拣具有重要的应用价值。

现有的鱼类自动分拣方法，大致分为两类：一是根据鱼的重量、大小、轮廓数据信息进行分类，然而重量数据需要离水称重，不适用于活鱼，同时对于大小、轮廓形状相似的不同品种鱼苗来说，这种方法无法进行有效的区分；二是利用图像识别技术，采集到鱼的图像，构建模型进行分类，这类方法被应用于对鱼类进行溯源、筛选患病死亡的鱼、分拣捕捞到的水产品、识别鱼的身体部位等方面，尚未看到图像识别技术应用于对同一类鱼苗的品种进行自动分拣的方法中。

发明内容

针对现有技术的不足，本发明提供一种基于ResNet迁移学习的鱼类品种自动分拣方法，能够对同一类鱼苗的品种进行自动分拣。

术语解释：

1、ResNet，是2015年微软实验室提出的一种残差网络，用来解决深度网络退化问题，它具有的residual模块可以使网络具有超深的结构，在当年的ImageNet竞赛中分类任务、目标检测，以及COCO数据集中的目标检测、图像分割任务中均取得了第一名的成绩。

2、迁移学习，是一种机器学习方法，将现有的模型算法进行调整应用于一个新的领域的一项技术，例如将一个预训练的模型重新用在另一个任务中，将大数据领域的知识和方法迁移到数据量较小的领域。

3、ImageNet数据集，是一个用于视觉对象识别软件研究的大型可视化数据库，拥有超过1400万张标记图像，是目前世界上图像识别最大的数据库。

4、ResNet34模型，如图1所示，ResNet34模型由33层卷积层和1层全连接层，2层池化层组成，除第1层卷积层外，其余32层卷积层被分成4组，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，并在2层卷积层的输入和输出之间建立了一个直接连接，当残差学习单元的输入与输出具有相同维度时采用实线直接连接，当维度增加的时候采用虚线连接，用1x1卷积核，步长为2的卷积层过渡。

5、python图像处理库PIL的ImageEnhance模块中的Contrast类，python中的图像处理库PIL有一个ImageEnhance模块，专门用于图像的增强处理，可以调整图像的亮度、对比度、色度、锐度等，Contrast是其中的对比度增强类，用于调整图像的对比度。所有图像处理操作都通过相应类的enhance方法实现，需要向类的构造函数传递一个Image对象作为参数，返回一个新的Image对象。

本发明的技术方案为：

一种基于ResNet迁移学习的鱼类品种自动分拣方法，包括步骤如下：

A、利用迁移学习训练鱼分类网络模型