[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

说明书

一种基于深度学习的鱼类资源快速识别方法和系统，针对所述原始图像文件进行鱼类图片分割，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；针对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；首先利用图片分割模型将原始图像文件按照标定的鱼类声音分别对应分割成一整分割图像；再利用识别算法模型对每一张分割图像中的鱼类进行长度识别和分类识别；从而实现鱼类资源的快速准确识别。

技术领域

本发明涉及图像识别领域，尤其涉及一种基于深度学习的鱼类资源快速识别方法和系统。

背景技术

现有的鱼类资源调查主要采用现场调查法，在野外水域将渔获物捕捞上岸后，主要通过现场调查人员目视和经验判别的方法识别鱼的种类，然后进行口头计数及登记；鱼类的长度测量主要采用目估法。传统的鱼类资源调查方法中：通过目视和经验判别的方法识别鱼的种类，对调查人员的专业素质要求极高，经验不足的调查人员很难具有识别稀有、濒危鱼类的能力，容易产生差错；通过口头计数及登记，往往只能单条鱼地进行，不能批量进行，效率较低且容易出错；采用目估法进行鱼身长度测量精度不够。

发明内容

本发明的目的在于提供一种基于深度学习的鱼类资源快速识别方法和系统，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度学习的鱼类资源快速识别方法，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；

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；

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。

优选的，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。

优选的，所述视频文件和所述标定文件相结合得到原始图像文件的过程包括颜色校正、镜头校正和透视校正。

优选的，所述图像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。

优选的，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条鱼类的起始点，存入该条鱼类的数据库。

优选的，所述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。

优选的，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。

优选的，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。