[发明专利]一种基于深度学习的鱼类资源快速识别方法和系统

权利要求书

1.一种基于深度学习的鱼类资源快速识别的方法，其特征在于，包括

将视频文件和经过相机标定后的鱼类标定文件相结合，得到原始图像文件；具体为：利用相机对不同批次捕捞上岸的鱼类资源采集视频文件，并通过相机对所述视频文件进行标定，形成对图像中每一天鱼完成标定的标定文件；将所述视频文件和所述标定文件经过颜色校正、镜头校正和透视校正后形成原始图像文件；

针对所述原始图像文件进行鱼类图片分割，并利用分割不准确的分割图像和经过监测后对应的完整鱼类轮廓对图片分割模型进行训练，实现所述图片分割模型的迭代更新；其中，所述图片分割模型的网络结构为Detectron2，包括backbone、rpn和roi_heads；所述backbone提取所述原始图像文件中的鱼类特征的关键信息；通过rpn判断所述原始图像文件中可能存在鱼类的目标区域；所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目标区域的坐标得到预测的图片分割结果；

针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类，利用识别不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练，实现所述识别算法模型的迭代更新；从而实现鱼类资源的快速识别。

2.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法，其特征在于，还包括对准确分割的分割图像中的鱼类进行长度识别：对于经过所述图片分割模型分割准确的分割图像中的鱼类体型进行矫正，从而根据图片与真实鱼类体型的比例，通过图片的像素，换算得到对应鱼类的真实尺寸。

3.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法，其特征在于，图像分割还包括计算颜色梯度法：在鱼类身上选择起始点，并以所述起始点为基础向周围遍历测试点，与所述起始点之间的颜色差值小于阈值的测试点记录为该鱼类的起始点，存入该鱼类的数据库。

4.根据权利要求3所述的基于深度学习的鱼类资源快速识别的方法，其特征在于，计算颜色梯度过程中对所述测试点的颜色分析包括：同一条鱼身上的每一个测试点的颜色不会发生变化，所有测试点的颜色种类不超过3种，相邻测试点之间的颜色差值小于所述阈值。

5.根据权利要求1所述的基于深度学习的鱼类资源快速识别的方法，其特征在于，所述识别算法模型的网络结构为ResNet：选取每一个固定卷积层的浅层网络增加一个跳跃连接作为一个识别梯度；通过一个以上的识别梯度对分割图像中鱼类的特征识别所述分割图像中鱼类的种类。

6.根据权利要求5所述的基于深度学习的鱼类资源快速识别的方法，其特征在于，根据鱼类特征进行种类识别的方法包括：不同种类的鱼在腮孔、鳃盖、鳞片、背鳍、胸鳍和尾鳍其中至少存在三个部位的不同点。

7.一种基于深度学习的鱼类资源快速识别的系统，其特征在于，包括用于存储数据的存储器，用于处理图像分割和图像识别的服务器，用于鱼类标定和视频采集的相机；

通过所述相机获取的视频文件和标定文件；在所述服务器中将所述视频文件和所述标定文件进行合并，生成原始图像文件并存储于所述存储器中；通过所述服务器执行上述权利要求1-6任一所述的方法，实现所述原始图像文件中所有鱼类的识别分类。