[发明专利]一种基于深度学习的鱼类细粒度图像识别方法

说明书

本发明公开了一种基于深度学习的鱼类细粒度图像识别方法，具体处理步骤如下：1）图像预处理处理步骤、2）图像检测步骤、3）图像识别步骤；本发明提供了实现复杂海洋环境下不同海洋鱼类的快速有效识别，解决特征不明显等问题的一种基于深度学习的鱼类细粒度图像识别方法。

技术领域

本发明涉及水下鱼类的分布情况检测的技术领域，更具体的说，它涉及一种基于深度学习的鱼类细粒度图像识别方法。

背景技术

海洋鱼类作为海洋生物资源中最重要的一类，它不仅是人类重要的食物来源，同时也是维护地球生态平衡的重要力量。在对海洋鱼类资源开发探测过程中，必须对各种品种的鱼类进行识别，但鱼类体形各异，大小不一，识别起来较为复杂，而且同一类鱼的不同品种通常具有相似的外形、尺寸以及纹理等特征，很有可能会出现误判而导致严重的经济损失。因此研究海洋鱼类图像的识别技术，对我国海洋鱼类资源的开发利用具有重要的学术价值和经济价值。

鱼类识别是了解海洋生态系统和生物多样性的一项重要任务。可以通过自动鱼类识别，监测和评估鱼类种群以及分析海洋环境的变化来帮助科学家获得某些特定鱼类的分布。由于在复杂的海洋环境中很多鱼类的水下图像不清晰，并且存在训练图像的数量不平衡的问题，因此正确识别鱼类通常具有挑战性。

随着计算机信息技术的飞速发展，深度学习在计算机视觉等多个领域取得重要突破，传统的机器学习方法正逐渐被基于深度学习的方法所替代。利用深度学习方法的强大能力及优势，将其运用在海洋鱼类图像识别领域，开展基于深度学习的海洋鱼类图像识别相关技术研究成为重要的渔业课题之一，其中如何实现复杂海洋环境下不同海洋鱼类的快速有效识别，特征不明显等问题是重中之重。

发明内容

本发明为解决上述问题，提供了实现复杂海洋环境下不同海洋鱼类的快速有效识别，解决特征不明显等问题的一种基于深度学习的鱼类细粒度图像识别方法。

本发明的技术方案如下：

一种基于深度学习的鱼类细粒度图像识别方法，具体处理步骤如下：

1)图像预处理处理步骤：选取公开的海洋鱼类视频数据集，并从中选取一定数量的含鱼类的静态图像；对含鱼类的静态图像通过图像增强方法进行处理，得到预处理图像；

2)图像检测步骤：通过融合候选区域的深度全卷积网络RPN的快速区域卷积神经网络Faster R-CNN对步骤1)处理后的图像进行检测，构建海洋鱼类图像识别的模型；模型构建中通过卷积神经网络中的卷积层和池化层来产生特征图；

3)图像识别步骤：通过特征融合的FL-BCNN鱼类识别模型，对识别模型中特征网络提取到的不同卷积层的特征进行特征融合，增强特征提取网络之间的空间联系，提高鱼类特征的表达能力；

其中，基于特征融合的FL-BCNN网络包括特征提取过程的Stream A和Stream B，且Stream A和Stream B分别使用VGG-16作为特征提取网络，通过13个卷积层和4个池化层执行位置检测和特征提取；其中13个卷积层均使用3×3尺寸的卷积核，相同的卷积核尺寸使得前一层卷积核的张量与后一层的卷积核张量保持相同的宽和高，4个池化层均使用2×2的池化核进行池化。

进一步的，将步骤1)图像增强方法处理含鱼类的静态图像，对采集到的样本数据集做基于暗通道的加强处理，提高颜色通道的低值部分，暗通道定义公式如下：

其中，J^c表示彩色图像中的每个通道，Ω(x)表示以像素x为中心的一个窗口y，r、g、b表示图像的三个颜色通道；

提高图像颜色通道的低值部分的公式如下：