[发明专利]鱼姿势识别方法、装置、设备及存储介质

权利要求书

1.一种鱼姿势识别方法，其特征在于，包括：

获取鱼图像；

提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼图像中鱼的姿势是否属于设定的合理姿势，获得判断结果；

将所述判断结果作为鱼姿势识别结果；

其中，提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼图像中鱼的姿势是否是否属于设定的合理姿势，获得判断结果，包括：

将所述鱼图像输入到卷积神经网络模型；

通过所述卷积神经网络模型中的N个网络层级，依次提取所述鱼图像的N个网络层级的特征，并对所述N个网络层级的特征进行整合，得到所述鱼的特征，根据所述鱼的特征判断所述鱼图像中鱼的姿势是否属于设定的合理姿势后，输出判断结果；

其中，获取鱼图像，包括：

获取摄像头拍摄获得的所述鱼图像，其中，所述摄像头置于内部中空且透明的容器的底部，所述摄像头的镜面平行于所述容器的顶部，所述容器置于养鱼用集装箱内，所述集装箱的顶面设置背景板，所述背景板和所述容器的顶部形成鱼的行进通道。

2.根据权利要求1所述的鱼姿势识别方法，其特征在于，提取所述鱼图像中鱼的特征，根据提取到的鱼的特征之后，所述鱼姿势识别方法还包括：

通过所述卷积神经网络模型根据所述鱼的特征，对所述鱼图像添加用于框选出鱼所在位置的边框。

3.根据权利要求1所述的鱼姿势识别方法，其特征在于，所述卷积神经网络模型的训练过程包括：

获取样本图像集合，其中，所述样本图像集合中包括M个样本图像以及每个所述样本图像的鱼姿势类别标识，所述鱼姿势类别标识用于指示所述样本图像中鱼的姿势是否为设定的合理姿势，S个样本图像组成一组样本图像；

分别对所述样本图像集合中的每组样本图像执行以下训练过程：

分别对一组样本图像中的每个样本图像进行以下处理，将所述样本图像输入至初始卷积神经网络模型，依次采用N个网络层级，对所述样本图像进行特征提取，获得N个网络层级的特征，并对所述N个网络层级的特征进行整合，得到所述样本图像中鱼的特征；

根据所述一组样本图像中每个所述样本图像中的鱼的特征，获得所述一组样本图像中鱼的姿势不属于设定的合理姿势的概率值；

根据所述概率值和所述一组样本图像的鱼姿势类别标识，计算损失函数，根据所述损失函数，将梯度反向传播到所述N个网络层级的每一层，优化所述初始卷积神经网络模型的参数后，从所述样本图像集合中获取下一组样本图像，重复执行所述训练过程，直至所述损失函数趋于稳定时，将所述初始卷积神经网络模型作为最终的所述卷积神经网络模型。

4.根据权利要求3所述的鱼姿势识别方法，其特征在于，将所述样本图像输入至初始卷积神经网络模型，依次采用N个网络层级，对所述样本图像进行特征提取，获得N个网络层级的特征，包括：

采用第1个网络层级对所述样本图像进行卷积和下采样，获得所述样本图像第1个网络层级的特征；

采用第i个网络层级，对所述样本图像第i-1个网络层级的特征，进行卷积和下采样，获得所述样本图像第i个网络层级的特征，其中，所述i的取值为大于1且小于或等于N。

5.根据权利要求3所述的鱼姿势识别方法，其特征在于，将所述样本图像输入至初始卷积神经网络模型，依次采用N个网络层级，对所述样本图像进行特征提取，获得N个网络层级的特征，包括：

采用第1个网络层级对所述样本图像进行卷积和下采样，获得所述样本图像第1个网络层级的特征；

采用第i个网络层级，对所述样本图像第i-1个网络层级的特征，进行卷积和下采样，获得所述样本图像第i个网络层级的特征，其中，所述i的取值为大于1且小于N；

采用第N个网络层级，对所述样本图像的第N-1个网络层级的特征，进行卷积后，获得所述样本图像第N个网络层级的特征。