一种基于深度学习的水下扇贝识别方法技术

本发明专利技术涉及水下扇贝识别技术领域，提供一种基于深度学习的水下扇贝识别方法，包括：步骤100，形成水下扇贝图像的数据集；步骤200，对水下扇贝图像的数据集进行扇贝目标分析与图像成像情况分析；步骤300，利用步骤200得到的数据集成像分析结果，设计图像降噪方法；步骤400，根据步骤200得到的扇贝目标分布统计结果，建立扇贝识别模型；步骤500，将采集到的数据集，划分为数据集与训练集，对建立的扇贝识别模型进行多次扇贝识别训练，最终训练出在验证集上识别效果最优的扇贝识别模型；步骤600，利用训练出最优扇贝识别模型，对实际环境中拍摄的视频或照片进行扇贝识别。本发明专利技术能够提高水下扇贝识别的效率和可靠性。水下扇贝识别的效率和可靠性。水下扇贝识别的效率和可靠性。

【技术实现步骤摘要】
一种基于深度学习的水下扇贝识别方法


[0001]本专利技术涉及水下扇贝识别
，尤其涉及一种基于深度学习的水下扇贝识别方法。

技术介绍

[0002]在扇贝养殖产业中，扇贝的识别检测一直是养殖者进行捕捞、选别、分级的重要依据。目前底播扇贝养殖过程中扇贝的识别主要靠人工肉眼判别，这种检测方式需要经验的积累，检测过程耗时费力，并且由于水下光线折射现象以及水下环境复杂，水下成像的图像质量差、噪声多，导致人工肉眼观察的检测结果主观性强、一致性差、出错率高，因此设计一种客观且识别率高的扇贝识别方法至关重要。
[0003]目前深度学习的目标检测算法体现出强大的优势，其在无人驾驶，人脸识别，智能机器人等领域的成功应用都展现出该算法广泛的应用前景，然而目前主流的深度学习框架都是应用在高性能图形处理器和高容量随机存取存储器的基础之上，考虑到农业嵌入式设备的存储和计算资源受限。
[0004]当前主流的深度学习网络YOLO(You Only Look Once，你只需看一次)第五个迭代版本YOLOv5的运行过程可以简化为目标特征提取与目标分类两个部分。其中目标特征提取是该网络的核心，该过程是模型计算量最大的部分。使用类残差模块的颈部结构和普通卷积组成的主干网络参数量庞大。需要相当多的计算资源支撑。但是农业领域不同新兴领域如无人驾驶、智能机器人等，在农业领域中的高新技术的应用相对滞后，目前应用在农业中的计算设备大多为嵌入式设备等低算力的设备，所以如何对模型进行删减，提高模型的效率，是一个热门的研究方向，逆残差思想是一个模型轻量化的重要思想，在轻量级网络MobileNet(可移动式网络)中。这种思想的应用，可以增强特征提取网络梯度的传播，显著减少推理所需的内存占用，进而使得网络在相同计算量的情况下有更高的参数量，提取到更多的特征信息，特征提取效率也就更高。将逆残差思想和注意力思想结合的逆残差模块，可以在通道维度上使用挤压和激励轻量级注意机制，并且注意力机制可以使特征提取网络更加关注信息量大的通道特征，并抑制不重要的通道特征，使检测目标信息与背景信息更易区分，从而进一步提高模型的精度。

技术实现思路

[0005]为了解决水下拍摄的图像模糊、噪声大的情况，本专利技术设计图像增强模块，将利用暗通道原理，在非水下环境中图像中局部区域存在一些像素，这些像素中至少有一个颜色通道的亮度值非常非常低，据此就可以估计出水下悬浮物的浓度信息。然后利用种颜色恒常知觉的计算理论就可以去除水下悬浮颗粒对成像的模糊效果，提高图像的清晰度。由于该算法计算量大所以在实际扇贝识别中，设置清晰度阈值，先对输入图像使用拉普拉斯算子进行水下成像的清晰度判断，然后再对清晰度小于阈值的模糊图像进行去模糊处理。
[0006]本专利技术提供了一种基于深度学习的水下扇贝识别方法，包括以下过程：
[0007]步骤100，大量采集水下扇贝图像，形成水下扇贝图像的数据集；
[0008]步骤200，对水下扇贝图像的数据集进行扇贝目标分析与图像成像情况分析；
[0009]步骤300，利用步骤200得到的数据集成像分析结果，设计图像降噪方法，提高数据集中的模糊图像的清晰程度；
[0010]步骤400，根据步骤200得到的扇贝目标分布统计结果，建立扇贝识别模型；步骤400包括步骤4001至步骤4003：
[0011]步骤4001，设计扇贝识别模型中的预设锚框；
[0012]步骤4002，设计扇贝识别模型的颈部与预测层；
[0013]步骤4003，建立扇贝识别模型的主干网络；
[0014]步骤4004，根据步骤4001至步骤4003得到的结果，得到扇贝识别模型；所述扇贝识别模型包括：图像去噪模块、主干网络模块、颈部模块、预测层；
[0015]步骤500，将采集到的数据集，划分为数据集与训练集，对建立的扇贝识别模型进行多次扇贝识别训练，其中训练集用来训练扇贝识别模型进行特征的学习，验证集用来验证每次迭代扇贝识别模型训练结果的优劣，每次迭代完成后根据训练结果进行优化器参数调整，最终训练出在验证集上识别效果最优的扇贝识别模型用于扇贝的识别；
[0016]步骤600，利用训练出最优扇贝识别模型，对实际环境中拍摄的视频或照片进行扇贝识别。
[0017]进一步的，所述步骤200包括步骤步骤2001至步骤2002：
[0018]步骤2001，对数据集中的图片进行图像成像情况分析；
[0019]步骤2002，通过基于欧式距离的聚类算法对数据集中所有扇贝目标的长宽进行聚类，训练出具有针对性的预设锚框。
[0020]进一步的，所述步骤300包括步骤步骤3001至步骤3004：
[0021]步骤3001，利用数据集，根据公式(1)确定图像的暗通道；
[0022]J
dark
(x)＝min
y∈Ω(x)
(min
c∈{r，g，b}
J
c
(y))(1)
[0023]其中，J
dark
(x)表示x像素点的暗通道，min
y∈Ω(x)
中Ω(x)表示该像素点x附近Ω区域，min表示Ω区域中的亮度最小值，min
c∈{r，g，b}
中r，g，b表示彩色图像中的红色、绿色、蓝色3个通道，c表示3个个通道中的任意一个通道，min表示取3个通道中的最小值，其中J
c
(y)表示彩色图像的某一通道；
[0024]步骤3002，根据公式(2)确定图像的透射率估计值；
[0025][0026]其中，表示图像透射率，ω是对暗通道的加权值矫正，c代表R，G，B三个通道中的任意一个，I
c
代表清晰图像的c通道，A
c
表示c通道的大气光值对应于水下光源强度，min
y∈Ω(x)
中Ω(x)表示该像素点x附近Ω区域，min表示Ω区域中的亮度最小值，就是水下图像的暗通道；
[0027]步骤3003，从暗通道图中取出所有亮度的大小为目标亮度值的像素，然后找到在这些像素点中对应在原始水下图像具有最高亮度的点的亮度值；
[0028]步骤3004，根据公式(3)确定最终去掉模糊的图像，得到去噪后的图像。
[0029][0030]其中，A表示像素点中对应在原始水下图像具有最高亮度的点的亮度值，I(x)为水下拍摄直出的模糊图像，t与A在前面已经求得，当t值过小时，求出的图像亮度会过高，所以设置阈值t0＝0.1，超过该阈值即按t＝0.1计算。
[0031]进一步的，在步骤4002中，所述扇贝识别模型的颈部包括：瓶颈模块、普通卷积与堆叠操作；预测层包括：普通卷积与最终的输出结果。
[0032]进一步的，在步骤4003中，所述扇贝识别模型的主干网络，包括：图像切片模块、标准卷积、逆残差融合模块、分组卷积、逆残差模块、分组卷积、逆残差模块、分组卷积、空间金字塔池化模块。
[0033]进一步的，所述步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水下扇贝识别方法，其特征在于，包括以下过程：步骤100，大量采集水下扇贝图像，形成水下扇贝图像的数据集；步骤200，对水下扇贝图像的数据集进行扇贝目标分析与图像成像情况分析；步骤300，利用步骤200得到的数据集成像分析结果，设计图像降噪方法，提高数据集中的模糊图像的清晰程度；步骤400，根据步骤200得到的扇贝目标分布统计结果，建立扇贝识别模型；步骤400包括步骤4001至步骤4003：步骤4001，设计扇贝识别模型中的预设锚框；步骤4002，设计扇贝识别模型的颈部与预测层；步骤4003，建立扇贝识别模型的主干网络；步骤4004，根据步骤4001至步骤4003得到的结果，得到扇贝识别模型；所述扇贝识别模型包括：图像去噪模块、主干网络模块、颈部模块、预测层；步骤500，将采集到的数据集，划分为数据集与训练集，对建立的扇贝识别模型进行多次扇贝识别训练，其中训练集用来训练扇贝识别模型进行特征的学习，验证集用来验证每次迭代扇贝识别模型训练结果的优劣，每次迭代完成后根据训练结果进行优化器参数调整，最终训练出在验证集上识别效果最优的扇贝识别模型用于扇贝的识别；步骤600，利用训练出最优扇贝识别模型，对实际环境中拍摄的视频或照片进行扇贝识别。2.根据权利要求1所述的基于深度学习的水下扇贝识别方法，其特征在于，所述步骤200包括步骤步骤2001至步骤2002：步骤2001，对数据集中的图片进行图像成像情况分析；步骤2002，通过基于欧式距离的聚类算法对数据集中所有扇贝目标的长宽进行聚类，训练出具有针对性的预设锚框。3.根据权利要求2所述的基于深度学习的水下扇贝识别方法，其特征在于，所述步骤300包括步骤步骤3001至步骤3004：步骤3001，利用数据集，根据公式(1)确定图像的暗通道；J
dark
(x)＝min
y∈Ω(x)
(min
c∈{r，g，b}
J
c
(y))
ꢀꢀꢀꢀ
(1)其中，J
dark
(x)表示x像素点的暗通道，min
y∈Ω(x)
中Ω(x)表示该像素点x附近Ω区域，min表示Ω区域中的亮度最小值，min
c∈{r，g，b}
中r，g，b表示彩色图像中的红色、绿色、蓝色3个通道，c表示3个个通道中的任意一个通道，min表示取3个通道中的最小值，其中J
c
(y)表示彩色图像的某一通道；步骤3002，根据公式(2)确定图像的透射率估计值；其中...

【专利技术属性】
技术研发人员：李松松，李晨，杨莹，张琦，王宇恒，郭忠宇，
申请(专利权)人：大连海洋大学，
类型：发明
国别省市：