[发明专利]基于轻量化卷积网络的淡水鱼图像实时识别方法

说明书

本发明公开了一种基于轻量化卷积网络的淡水鱼图像实时识别方法，旨在解决现有淡水鱼种分类技术中存在的数据集匮乏、特征提取难、识别速度慢的问题。本发明的具体步骤如下：(1)构建淡水鱼图像数据集；(2)构建轻量化深度卷积神经网络；(3)训练深度卷积神经网络；(4)对淡水鱼测试图像进行实时识别；本发明通过构建淡水鱼图像数据集，利用训练好的轻量化深度卷积神经网络，自动对收集到的淡水鱼图像进行实时识别，本发明具有无需手动提取鱼体特征，识别精度高、速度块、消耗硬件资源小的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于轻量化卷积网络的淡水鱼图像实时识别方法。本发明可用于渔业监测、水产养殖、休闲垂钓场景下对捕获的淡水鱼种进行实时监测和识别，其识别结果可用于鱼种信息采集，还可为珍稀鱼种的放生提供参考依据。

背景技术

在传统鱼类识别过程中，主要采用人工对鱼体进行识别，自动化淡水鱼识别技术可大幅降低人工劳动强度，可以运用到渔业监测、水产养殖等方面。近年来，基于图像特征的机器学习方法已经应用在鱼类图像识别上，都取得了不错的效果。然而，随着机器学习技术的进一步发展和应用程度的不断深入，淡水鱼类图像识别领域依然存在以下一些问题：如淡水鱼类的不同品种通常具有相似的外形、尺寸以及纹理颜色，使用传淡水鱼识别方法无法准确提取其判别特征，导致识别精度不高；基于卷积神经网络的识别方法数据集难获得，现有方法多依赖于现有海鱼数据集，无法对淡水鱼类进行识别，而且复杂度高，算法无法实时运行，导致在嵌入式设备中部署困难。例如：

中国农业大学在其申请的专利文献“一种基于PCA的鱼类识别方法、设备及存储介质”(专利申请号：201810118813.9，公开号：CN108460409A)中提出了一种基于主成分分析PCA的淡水鱼类识别方法和装置。该方法通过提取鱼类图像中的鱼体轮廓来构建横纵坐标矩阵，根据其矩阵进行主成分分析得到区分鱼类的主成分，最终根据所述区分鱼类的主成分完成对鱼类的识别。该专利申请所公开的方法存在的不足之处是，该方法需要鱼体离水后在相对结构化的单一背景下利用程序自动提取鱼体轮廓等特征参数，主成分的提取和分析过程复杂，耗时耗力。

浙江农林大学在其申请的专利文献“一种基于卷积神经网络的鱼类识别方法和装置”(专利申请号：201910912287.8，申请公布号：CN110766013A)中公开了一种基于卷积神经网络的鱼类识别方法。该方法利用ImageNet数据集预训练ResNet50网络，利用训练集对鱼类识别网络的网络参数进行优化，获得鱼类识别模型。相比其他鱼类识别方法，该方法避免了鱼类识别中人工提取特征主观性不足的问题，还通过迁移学习初始化卷积网络权重的训练方式，既缩短了训练时长，又保持了较高的准确率。但是，该方法仍然存在的不足之处是：该方法使用的网络复杂、参数量大，导致该方法在嵌入式设备中部署困难且识别速度慢，并且由于现有数据集的限制，该方法识别的鱼种多为深海鱼类，在实际淡水环境中应用价值不高。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于轻量化卷积网络的淡水鱼图像实时识别方法，旨在解决现有淡水鱼识别技术中存在的数据集匮乏、特征提取难、识别速度慢的问题。

为实现上述目的，本发明所提方法的思路是：在鱼种识别中，淡水鱼图像数据集缺失，无法支持网络的大规模训练，导致众多深度学习方法无法使用，本发明通过构建至少包含2700张9种鱼类图像的淡水鱼数据集，以提供数据基础；由于大多数淡水鱼类呈不规则条状，鱼类目标小，且一些传统淡水鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目性和不确定性等缺陷，本发明搭建一种轻量化卷积神经网络，使用特征提取能力强大卷积网络自动提取淡水鱼图像特征；针对卷积神经网络相关方法识别速度慢的问题，本发明在不降低识别准确率的同时尽可能减少网络参数量，以实现对淡水鱼图像的实时识别。本发明所提方法在避免人工提取特征的同时保证了识别准确率，并且无需消耗大量的硬件资源即可在实际场景中应用部署。

本发明的实现的具体步骤如下：

(1)构建淡水鱼图像数据集：