[发明专利]一种基于深层特征融合的鱼类智能分选方法及系统

说明书

本发明公开了一种基于深层特征融合的鱼类智能分选方法，包括:(1)获取待识别鱼的图像，通过图像预处理定位算法，进行预处理，并进行实时定位；(2)通过深度学习算法对预处理后的图像进行特征提取，将提取的特征输入预先训练好的卷积神经网络模型中，对图像进行分类，得到待识别鱼的种类，输出识别结果；(3)鱼类智能分选系统根据识别结果将待识别鱼按照种类进行暂时存放，完成分选。本发明的方法采用基于深层特征融合的卷积神经网络，在深层卷积层加入了上采样层，同时与第二层反卷积层特征进行拼接融合，结合了图像深层的边缘细节信息和浅层轮廓特征，具备更强特征捕捉能力，全面挖掘出图像的特征，提升了水环境下鱼类识别的准确率。

技术领域

本发明涉及图像识别和机械装置设计的技术领域，特别是涉及一种基于深层特征融合的鱼类智能分选方法及系统。

背景技术

为最大限度利用养殖水体提高养殖效率，人工养殖鱼类时通常会实行多品种混养。而在河流、海洋中的鱼类也是多种多样。因此，无论是在人工养殖环境下还是在野外自然水体中进行捕捞均涉及鱼类的分选。目前，主要依靠技术工人来进行不同鱼种类的识别和分选。人工识别分选存在以下缺陷：1、劳动强度大，分选效率低，出错率高；2、鱼类识别分拣暴露的时间长，鱼类易死亡或损伤；3、由于依赖技术工人的经验，技术工人水平的高低决定了分选正确率，识别分选效率不稳定。虽然目前也出现了鱼类自动识别和分拣技术，但存在如下问题：(1)识别分选是在非水环境下进行，容易造成鱼体死亡或损伤；(2)识别技术较为原始，识别准确率不够；(3)多使用各种推进器进行鱼类的分拣，推进器和鱼体之间的碰撞也极易造成鱼体损伤，影响鱼的存活率和品质。

发明内容

本发明的目的在于提供一种基于深层特征融合的鱼类智能分选方法及系统。

根据本发明的一个方面，提供了一种基于深层特征融合的鱼类智能分选方法，包括以下：

(1)获取待识别鱼的图像，通过图像预处理定位算法，对图像进行预处理，并对待识别鱼进行实时位置定位；

(2)通过深度学习算法对预处理后的图像进行特征提取，将提取的特征输入预先训练好的基于深层特征融合的卷积神经网络模型中，对图像进行分类，得到待识别鱼的种类，输出识别结果；

(3)鱼类智能分选系统根据识别结果将待识别鱼按照种类进行暂时存放，完成分选。

在一些实施方式中，步骤(1)中，图像预处理定位算法采用背景差分法，采用高斯混合模型对图像的背景进行实时更新，包括以下具体步骤：

(1a)获取摄像头捕获的第一帧图像，作为初始化背景图像；

(1b)调用Opencv图像处理库中的cv.createBackgroundSubtractorMOG2()函数建立高斯混合模型，模型中方差阈值设定为25；

(1c)将待识别鱼的图像与初始化背景图像进行像素减运算，得到目标图像；

(1d)对目标图像进行开运算去噪点，闭运算填充内部空洞；

(1e)调用Opencv图像库中的cv.findContours()函数找出最大连通域，并画出目标位置的最小矩形框，完成对待识别鱼的图像的预处理。

在一些实施方式中，步骤(2)中，深度学习算法采用基于深层特征融合的卷积神经网络，包括具体以下步骤：

(2a)建立n个种类的鱼群原始数据集，将鱼群原始数据集进行划分，其中80％作为训练集，剩余20％作为测试集，鱼群原始数据集的建立，包括以下步骤：

S1.鱼群原始数据集中共有n种鱼类，各个鱼类图像不少于500张，共有n×500张原始图像，其中，图像的色彩通道数为3；

S2.对原始图像数据进行形状缩放，图像大小统一调整至256×256；