[发明专利]基于深度学习的深海网箱鱼类健康识别系统和方法

权利要求书

1.一种基于深度学习的深海网箱鱼类健康识别系统，其特征在于，包括图像采集模块、图像识别模块和健康识别监控终端，其中，

所述图像采集模块包括水下主控板、实时传输模块、存储模块、水下照明模块、水下摄像机、水下电池舱、电源电路；所述健康识别监控终端包括数据中心、远程监控终端和实时接收模块；

水下电池舱和电源电路为图像采集模块中其他部分供电；水下主控板与实时传输模块、存储模块、水下照明模块和水下摄像机分别连接，水下照明模块为水下摄像机在拍摄时辅助灯光，水下摄像机拍摄到的图像存储于存储模块，水下主控板将采集到的图像处理后通过实时传输模块发送给实时接收模块，实时接收模块与数据中心连接，图像识别模块与远程监控终端分别于数据中心连接，图像识别模块对数据中心中的图像根据以卷积神经网络为基础搭建的深度学习模型，选择适合分类器进行识别判断后发送给远程监控终端；远程监控终端接收并实时显示监控视频，并对图像识别模块发送的识别结果进行分析应用，并根据分析结果进行报警。

2.根据权利要求1所述的系统，其特征在于，所述图像采集模块还包括温度传感器和压力传感器，采集水下环境温度与水压。

3.根据权利要求1所述的系统，其特征在于，所述存储模块为机械硬盘。

4.根据权利要求1所述的系统，其特征在于，所述实时传输模块与实时接收模块的实时传输采用无线网桥。

5.根据权利要求4所述的系统，其特征在于，所述无线网桥采用LA-5839网桥08。

6.一种权利要求1-5之一所述的系统中图像识别方法，其特征在于，包括以下步骤：

S10，将数据中心视频流信息分解成图片信息，利用LabelImg工具对图片进行手工标定获得类别标签，用标签来判定每个标定框中目标鱼健康状况及鱼的类别；

S20，对标记好的数据进行训练及验证，将图片和图片标签作为深度学习神经网络的训练集和验证集，通过fine-tune VGG16卷积神经网络最后的全连接层并利用Adam优化算法对数据进行训练得到最优鱼类健康识别模型；

S30，对多个测试数据进行测试，调用最优鱼类健康识别模型及测试程序对测试图片进行鱼类的检测，通过观察测试结果，分析鱼类健康识别模型效果的泛化能力，后续监控视频运用此识别模型，进行判别鱼类种类与健康状况，并将结果存至数据中心。

7.根据权利要求6所述的方法，其特征在于，所述模型由五个卷积层、五个池化层、三个全连接层和一个Softmax回归层组成。