[发明专利]一种基于卷积神经网络的鱼肉纤维评价方法和系统

权利要求书

1.一种基于卷积神经网络的鱼肉纤维评价方法，其特征在于，所述方法针对鱼肉纤维评价，在传统的卷积神经网络基础上引入边缘特征注意力网络得到基于卷积神经网络的鱼肉纤维评价模型，其中，边缘特征注意力网络对应于传统的卷积神经网络的结构设置对应的模块；

传统的卷积神经网络用于提取原始图片RGB 3个通道中的原始图片特征，边缘特征注意力网络用于提取原始图片经过Canny边缘算子变换得到的边缘特征图的边缘图特征，其中，原始图片为鱼肉样品的显微图片；将边缘特征注意力网络每个模块提取的边缘图特征的张量与传统的卷积神经网络对应的模块提取的原始图片特征的张量相乘得到新的张量，再将新的张量与原始图片特征的张量相加，得到的加和张量输入到传统的卷积神经网络的下一模块中进一步提取特征；同时将边缘图特征输入边缘特征注意力网络的下一模块中进一步提取特征；将边缘特征注意力网络最后一个模块提取的边缘图特征的张量与传统的卷积神经网络对应的模块提取的原始图片特征的张量相乘得到的新的张量，再将新的张量与原始图片特征的张量相加，得到的加和张量进行池化操作后，输入一个全连接层，得到原始图片中鱼肉样品的纤维程度数值。

2.根据权利要求1所述的方法，其特征在于，所述传统的卷积神经网络为LeNet-5、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet和UNet的任一网络。

3.根据权利要求2所述的方法，其特征在于，当所述传统的卷积神经网络采用ResNet网络时，所述传统的卷积神经网络由卷积核为7×7的卷积层、3×3的池化层、4个残差模块、7×7的池化层以及全连接层依次连接构成；所述边缘特征注意力网络对应于传统的卷积神经网络，由卷积核为7×7的卷积层、3×3的池化层、4个分别与传统的卷积神经网络4个残差模块一一对应的模块依次连接构成；其中4个分别与传统的卷积神经网络4个残差模块一一对应的模块所提取的边缘图特征的张量与对应的残差模块提取的原始图片特征的张量相乘得到新的张量，再将新的张量与原始图片特征的张量相加输入至传统的卷积神经网络的下一残差模块中进一步提取特征。

4.根据权利要求3所述的方法，其特征在于，所述方法包括：

(1)获取不同鱼肉纤维破损程度的鱼肉样品；

(2)采集不同鱼肉纤维破损程度的鱼肉样品的显微图像，并添加鱼肉纤维程度标签，建立样本数据集；

(3)对采集到的显微图片按照对应的鱼肉纤维程度标签进行清洗以及预处理，将样本数据集按一定比例随机分为训练集和测试集；

(4)将训练集中的显微图片作为训练数据，对所述基于卷积神经网络的鱼肉纤维评价模型进行卷积训练；

(5)用测试集对训练好的模型进行准确性评估，若准确性未满足要求，则返回步骤4调整卷积神经网络结构和训练参数，重新训练所述基于卷积神经网络的鱼肉纤维评价模型，直到达到准确性要求。

5.根据权利要求4所述的方法，其特征在于，所述方法将整块鱼肉的纤维程度定义为100％，充分斩拌成糜状的浆料为0％；所述获取不同鱼肉纤维程度的鱼肉样品包括：通过调节破碎程度得到不同的鱼碎肉样品，模拟不同的纤维保留程度值。

6.根据权利要求5所述的方法，其特征在于，所述若准确性未满足要求，则返回步骤(4)调整卷积神经网络结构和训练参数，包括：若训练好的基于卷积神经网络的鱼肉纤维评价模型预测得到的测试集中的原始图片中鱼肉样品的纤维程度数值与其鱼肉纤维标签的平均误差超过±5％，则更换其他传统卷积神经网络模型，改善特征注意力网络结构或调整遍历数据集次数、批处理尺寸、学习率的大小等。

7.根据权利要求4所述的方法，其特征在于，对采集到的显微图片按照对应的破损程度标签进行预处理，包括：对采集到的显微图片随机裁剪、大小调整、旋转和镜像处理。