一种基于深度学习的鱼类体重估计方法技术

本发明专利技术公开了一种基于深度学习的鱼类体重估计方法，本发明专利技术属于图像处理领域，包括：获取鱼类分割数据集，其中所述鱼类分割数据集包括：训练图片和待分割图片；构建深度学习的语义分割模型，并通过所述训练图片训练所述语义分割模型；将若干张待分割图片输入至训练好的语义分割模型，得到分割图片，所述分割图片包括：鱼体和非鱼体；基于所述分割图片，得到鱼体真实面积，对所述鱼体真实面积进行计算分析，得到与鱼体真实面积的平均值有关的质量数据；基于所述鱼体真实面积和质量数据，构建幂函数模型；基于所述幂函数模型和待分割图片中鱼体真实面积，得到鱼类体重。本发明专利技术能够测量出其他鱼类体态指标，还能够更好地监测鱼类的生长情况。情况。情况。

【技术实现步骤摘要】
一种基于深度学习的鱼类体重估计方法


[0001]本专利技术属于图像处理
，尤其涉及一种基于深度学习的鱼类体重估计方法。

技术介绍

[0002]在渔业养殖过程中，需要定期地对鱼类进行监测，以了解其生长状况。而鱼生活在水下，受成本、安全和对生物体毁坏等因素的影响，依靠人工观测比较困难。首先，水下环境极为凶险，人工潜入水下进行观测的方式会给观测者带来较大的安全风险。其次，水下的视距有限，通过人工的方式难以开展全面的观测。第三，可以将鱼类捕捞上岸后进行观测，但这会对鱼造成伤害，影响其生长状态。第四，使用人工的方式进行观测成本较高，不利于降低养殖成本。
[0003]现有技术中，利用各种远程可操控的设备代替人工观测是良好的解决方案，通过这些设备可以更长时间更大范围地对鱼类的活动进行观测，并收集其活动的图像。与人工观测相比，运用监测设备观测的方式比较安全且对鱼类影响较小。但是监测设备仅具有数据采集功能，其自身缺乏智能检测的能力，通过它并不能直接提取所需要的监测信息，仍然需要人工进行处理。

技术实现思路

[0004]本专利技术提出了一种基于深度学习的鱼类体重估计方法，以解决上述现有技术中存在的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于深度学习的鱼类体重估计方法，包括：
[0006]获取鱼类分割数据集，其中所述鱼类分割数据集包括：训练图片和待分割图片；
[0007]构建深度学习的语义分割模型，并通过所述训练图片训练所述语义分割模型；
[0008]将若干张待分割图片输入至训练好的语义分割模型，得到分割图片，所述分割图片包括：鱼体和非鱼体；
[0009]基于所述分割图片，得到鱼体真实面积，对所述鱼体真实面积进行计算分析，得到与鱼体真实面积的平均值有关的质量数据；
[0010]基于所述鱼体真实面积和质量数据，构建幂函数模型；基于所述幂函数模型和待分割图片中鱼体真实面积，得到鱼类体重。
[0011]优选地，获取鱼类分割数据集的过程包括：
[0012]拍摄鱼类图片，对所述鱼类图片中鱼体和非鱼体分别进行标注，同时对所述鱼类图片进行分类，得到分类图片，对所述分类图片进行预处理，得到增强鱼类图片，将增强鱼类图片作为鱼类分割数据集。
[0013]优选地，训练所述语义分割模型的过程中采用预训练权重。
[0014]优选地，得到鱼体真实面积的过程包括：
[0015]基于所述分割图片，得到鱼体标记物的真实尺寸；
[0016]获取待分割图片的像素尺寸和像素面积，基于所述真实尺寸和所述像素尺寸，得到尺寸矫正因子；
[0017]基于所述像素面积和尺寸矫正因子，得到鱼体真实面积。
[0018]优选地，得到与鱼体真实面积的平均数有关的质量数据的过程包括：
[0019]对若干个鱼体真实面积进行计算，得到面积平均值和面积中位数，分别将所述面积平均值和所述面积中位数与质量进行相关性分析，得到分析结果，基于分析结果，得到与鱼体真实面积的平均数有关的质量数据；
[0020]其中所述分析结果为面积平均值与质量数据的相关程度大于面积中位数与质量数据的相关程度。
[0021]优选地，得到鱼类体重的过程包括：
[0022]通过面积质量关系回归对若干张待分割图片进行质量估计，得到鱼类体重；其中，所述面积质量关系回归为已知质量鱼类的质量和真实尺寸回归得到鱼类质量和真实尺寸的幂函数关系。
[0023]优选地，还包括：对所述幂函数模型中待分割图片中鱼体真实面积进行实时更新。
[0024]与现有技术相比，本专利技术具有如下优点和技术效果：
[0025]本专利技术提供的基于深度学习的鱼类体重估计方法，无需将鱼类捕捞上岸进行测量，不会影响到鱼类的生长状态；相比于其他视觉方法无需固定相机与鱼类的距离；所使用的语义分割网络还可以测量出其他鱼类体态指标，可以更好地监测鱼类的生长情况。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本专利技术实施例的方法流程图。
具体实施方式
[0028]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0029]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0030]实施例一
[0031]当前基于机器学习的图像处理方法发展较快，可以应用这一方法对设备所采集的图像进行处理，以实现鱼类生物学信息的自动提取。
[0032]如图1所示，本实施例中提供一种基于深度学习的鱼类体重估计方法，包括：
[0033]1，制作养殖环境鱼类分割数据集：在养殖所用鱼缸中分别拍摄了数十条鱼类的图片，每条鱼拍摄几十张不同游动姿态的图片，在拍摄时同时称取鱼类的质量。
[0034]拍摄完成后，通过图片标注软件对上述图片进行手动标注，标注时分别将鱼体和鱼缸底部已知尺寸的塞子分割出来，并赋予不同的类别。图片进行像素级别的分类，即将每个像素所属的不同类别用对应的颜色表示出来。
[0035]本实施例中，还可以通过其他方式进行目标分割，比如：通过灰度图像将灰度值差异较大的不同部分进行目标分割；或者通过深度相机，基于距离不同进行目标分割。
[0036]然后将标注好的图片按照训练所需格式进行处理，最后在对数据集进行放大缩小、旋转等增强操作，扩大数据集的规模。
[0037]2，构建深度学习的语义分割模型，本实施例中采用DeepLabv3+语义分割模型，并通过鱼类分割数据集对DeepLabv3+语义分割模型进行训练，选择预训练权重公开鱼类分割数据集的训练权重，增强模型对于鱼类目标的分割效果。
[0038]3，获得鱼类和塞子的分割图片之后，据此获得二者在图片中的像素面积，然后根据尺寸矫正因子获得鱼类的真实面积，同时对拍摄的全部照片进行了预测，将所有真实面积不为无穷大(即鱼和塞子同时出现在画面中)的值进行记录。其中，尺寸矫正因子用来还原鱼类的真实尺寸，由已知尺寸标记物的真实尺寸与像素尺寸的比值确定。
[0039]针对每条鱼的所有照片，分别取其真实面积平均值和中位数，然后同质量进行相关性分析，得出真实面积平均值与质量的相关程度更大，因此利用面积平均数进行建模。
[0040]本实施例中，面积中位数与真实质量的相关性分析，如表1所示，面积平均数与真实质量的相关性分析，如表2所示；
[0041]表1
[0042][0043]**.在0.01级别(双尾)，相关性显著。
[0044]表2
[0045][0046]**.在0.01级别(双尾)，相关性显著。
[0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鱼类体重估计方法，其特征在于，包括以下步骤：获取鱼类分割数据集，其中所述鱼类分割数据集包括：训练图片和待分割图片；构建深度学习的语义分割模型，并通过所述训练图片训练所述语义分割模型；将若干张待分割图片输入至训练好的语义分割模型，得到分割图片，所述分割图片包括：鱼体和非鱼体；基于所述分割图片，得到鱼体真实面积，对所述鱼体真实面积进行计算分析，得到与鱼体真实面积的平均值有关的质量数据；基于所述鱼体真实面积和质量数据，构建幂函数模型；基于所述幂函数模型和待分割图片中鱼体真实面积，得到鱼类体重。2.根据权利要求1所述的基于深度学习的鱼类体重估计方法，其特征在于，获取鱼类分割数据集的过程包括：拍摄鱼类图片，对所述鱼类图片中鱼体和非鱼体分别进行标注，同时对所述鱼类图片进行分类，得到分类图片，对所述分类图片进行预处理，得到增强鱼类图片，将增强鱼类图片作为鱼类分割数据集。3.根据权利要求1所述的基于深度学习的鱼类体重估计方法，其特征在于，训练所述语义分割模型的过程中采用预训练权重。4.根据权利要求1所述的基于深度学习的鱼类体重估计方法，其特征在于，得到鱼体真实面...

【专利技术属性】
技术研发人员：曹杰，吝凯，王盈淇，姜磊，张克俭，
申请(专利权)人：北京市农林科学院，
类型：发明
国别省市：