[发明专利]一种基于神经网络的鱼类活性分类方法

摘要

一种基于神经网络的鱼类活性检测方法，包括以下步骤1)以鲫鱼作为生物监测对象对其进行实时监测；2)通过背景差分法提取目标鱼轮廓，实时监测鲫鱼群体，得到鲫鱼的跟踪视频序列；3)通过神经网络自动得到被监测鱼死亡与存活的纹理特性信息，包括以下过程3.1)、收集提取鱼目标的轮廓信息数据，将其作为检测水质是否异常的指标；3.2)、基于神经网络算法对数据进行训练产生成熟的分类器结构模型；3.3)、使用新的特征数据来检测判断该检测模型是否成熟；3.4)、通过成熟的检测模型在线检测实时水质数据，最终实现水质毒性的在线检测。

主权项

一种基于神经网络的鱼类活性检测方法，步骤如下：1)以鲫鱼作为生物监测对象对其进行实时监测，根据鲫鱼在检测缸中的实时图像特征，以此判断其处于死亡或者存活状态，从而实现对监测水样中是否受到有毒物质的污染进行实时预警；2)采集和提取目标鱼的图像特征，利用背景差分的方法来提取鱼目标轮廓；通过识别、分割监控视频所拍摄到的目标图像，对目标鱼进行跟踪并标定其实时运动位置，设定固定时间间隔作为统计周期，获取该周期鱼群的图像特征；3)通过神经网络判断被监测鱼死亡或者存活的状态；定义死鱼特征数据集和活鱼特征数据集，通过导入收集的死鱼与活鱼数据集，对神经网络模型进行训练从而获取判断被监测鱼死亡或者存活的特征信息；具体过程如下：3.1)构建鱼类死亡或者存活状态的训练数据，将其作为判断被监测鱼生存状况的依据从而检测水质是否发生异常的指标；通过对视频图像中的目标鱼群进行实时跟踪鱼目标，提取每一时间间隔周期内目标鱼个体的轮廓区域信息，再对目标鱼区域内信息进行预处理，将处理后的区域信息保存并将此区域图像信息作为训练神经网络的训练输入数据；训练样本数据的提取方法如下：S1)根据跟踪定位到的鱼目标，找到目标鱼边缘轮廓信息；S2)根据边缘信息，以最小外接矩形的方式截取鱼目标信息和周围的背景信息；S3)对截取矩形区域内的信息进行阈值化处理，将区域内目标鱼轮廓之外的背景处理为无效信息；保留鱼目标信息不作处理；S4)将矩形图片进行灰度化处理，之后作为输入样本数据来进行神经网络的训练；3.2)基于神经网络算法对数据进行训练生成分类结构模型；该神经网络采用的是一种按照误差逆序传播算法训练的多层前馈网络，即反向传播网络(Backpropagation，BP)；BP神经网络模型的拓扑结构包括输入层、隐含层和输出层，其内部通过一定的权值矩阵建立当前层神经元与下一层神经元之间的连接，各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统，经过样本学习后输出，当实际输出与期望输出不符时，进入误差的反向传播阶段；误差通过输出层，按误差梯度下降的方式对各连接权值做出动态调整，并向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，在不断的迭代训练过程中，当网络的误差平方和最小，训练终止并完成了网络模型的训练过程；BP神经网络的网络模型层数为四层，其中包括一个输入层、两个隐含层和一个输出层；BP神经网络算法过程如下：a)定义输入层信息由向量x＝[x1,x2,…,xm]表示，通过将样本图片调整为统一尺寸大小，并对每幅图片作局部二值化处理(LBP)得到特征向量，作为网络输入样本数据，记为x。每个xi特征信息作为一个输入神经元，m代表输入层神经元的个数。其中对LBP特征向量提取的步骤如下：a1)将目标图片划分为16×16的小区域(cell)；a2)对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，如果周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；a3)计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率；然后对该直方图进行归一化处理；a4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；b)定义网络连接权值为层与层神经元之间都有一个由权值大小为wij的连接参数，且当前层的神经元之间相互独立。其中表示前一层第i个神经元与当前层第j个神经元的连接权值，p的值取1，2，3，分别代表输入层和隐含层、隐含层和隐含层、隐含层和输出层之间的权值矩阵，如公式(1)所示；c)定义目标激活函数f，如公式(2)所示，用于归一化隐含层和输出层的输出结果，使得输出结果是在0到1之间的值；给定当前层的输出为Y，前一层的输出为v，即得当前层输出与上一层的输出关系表达式，见公式(3)。f(z)≡11+e-z---(2)]]>Y＝f(W×v)       (3)d)定义隐含层神经元节点数为n，第l层的第j个神经元的输出用表示，第l层的第j个神经元的误差值用表示；网络结构中采用的是两个隐含层，故l取值为1和2；其中第一隐含层的输出如公式(5)所示，第二隐含层的输出如公式(6)所示；vj1=f(Σi=1nwij1xi)---(5)]]>vj2=f(Σi=1nwij2vi1)---(6)]]>e)第二隐含层的输出再通过输出权矩阵合并成一个神经元节点的输出层，经过逐层计算最终得到这个神经元的输出，这个输出值表示的即为鱼目标在当前时刻死亡或存活状态；f)对于给定的n个训练样本，其期望输出值yn已知，那么对于输入样本经过训练网络的输出和期望输出的值将会产生误差e，定义误差函数表达式如公式(9)所示R=r1...rnOutputlayer-y1...ynreallabel---(8)]]>e=12||R||2---(9)]]>g)通过输出层得到的误差函数e计算误差函数对输出层神经元的偏导数δo，再利用δo和前一层隐含层各神经元的输出来修正连接权值如公式(10)所示；Δwij3=-μ∂ewij3=μδovij2---(10)]]>接下来计算误差函数e对第二隐含层神经元的偏导数再利用和前一层隐含层各神经元的输出来修正连接权值如公式(11)所示；Δwij2=-μ∂ewij2=μδj2vij1---(11)]]>最后计算误差函数e对第一隐含层神经元的偏导数利用第一隐含层各神经元的和输入层各神经元的输入对连接权值修正，如公式(12)所示；Δwij1=-μ∂ewij1=μδj1xj---(12)]]>每个权重的梯度都等于与其相连的前一层节点的输出乘以与其相连的后一层的反向传播的输出；当误差对权值的偏导数大于零时，权值调整为负，实际输出大于期望输出，权值向减少方向调整，使得实际输出与期望输出的差减少。当误差对权值的偏导数小零时，权值调整为正，实际输出小于期望输出，权值向增大方向调整，使得实际输出与期望输出的差减；判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回c)，继续进行学习；3.3)使用新的数据来检测判断该检测模型的泛化能力；也就是，输入目标鱼的图像特征，经过训练好的神经网络模型，输出结果在0和1之间，即通过其值大小对死亡或者存活作出分类；根据公式(13)计算当前输入图像特征向量为x，输出结果y0的值；y0＝f(x)     (13)当y0的值小于等于0.1时，则判断目标鱼处于存活状态，否则处于死亡状态。通过新的鱼群视频对训练后的网络进行测试，检验其在整个T时间过程中把活鱼判断成死鱼和把死鱼判断成活鱼的时间t，t若超过一定得阈值，则该分类器不够成熟，需要调节网络中的一些参数重新进行学习，直至t小于该阈值，该分类器才能够成熟的应用到实时预警水质中；3.4)根据测试后的神经网络模型对水质进行预警监测；将得到的成熟网络模型运用到摄像头实时监测画面中，从而对每一时刻监测画面中提取的鱼目标活性状态进行准确的分类判断，从而对水质可能存在的毒性作出实时预警；当检测缸中目标鱼在时间长短为30s时间窗内判断死亡状态的比率超过50％时，记作一次死亡；但是，对鱼类活性的监测判断中，为了保证监测的准确性和稳定性，间隔每两分钟取一次监测结果进行最终的预警判断，确定水质是否受到毒性污染以及是否发送预警信号。