[发明专利]一种基于深度学习的水下成像鱼网破损识别方法及系统

权利要求书

1.一种基于深度学习的水下成像鱼网破损识别方法，其特征在于，包括以下步骤：

S1：采集水下网破图像组成图像数据库，将所述图像数据库中的水下网破图像划分为训练集和测试集；对所述水下网破图像分别进行标注其网破位置，将所述标注的网破位置数据生成表格文件进行存储；

S2：构建鱼网破损识别模型，选取所述鱼网破损识别模型训练需要的配置文件，并预设所述鱼网破损识别模型的分类标签目录；

S3：根据所述配置文件及分类标签目录调整所述鱼网破损识别模型的参数，然后将所述训练集输入所述鱼网破损识别模型中进行训练，得到完成训练的鱼网破损识别模型；

S4：将所述测试集输入所述完成训练的鱼网破损识别模型中，输出所述测试集对应的鱼网破损识别结果，将所述鱼网破损识别结果与所述表格文件中存储的网破位置数据进行对比验证模型的精准度：若精准度大于或等于预设的精准度阈值时，则执行S5步骤，否则跳转执行S1步骤；

S5：采用水下摄像头采集水下鱼网图像，将所述水下鱼网图像输入所述完成训练的鱼网破损识别模型中，输出得到鱼网破损识别结果。

2.根据权利要求1所述的水下成像鱼网破损识别方法，其特征在于：所述鱼网破损识别模型采用SSD_MobileNet、YOLO、SSD_Inception、R-FCN_ResNet中的一种深度学习模型。

3.根据权利要求1所述的水下成像鱼网破损识别方法，其特征在于：所述S1步骤中，对所述水下网破图像分别进行标注其网破位置的具体步骤包括：在所述水下网破图像中构建图像坐标系；在所述水下网破图像中网破位置标注外接矩形框作为真实框，记录所述真实框的中心坐标及框体尺寸、所述水下网破图像中破损类型作为真实网破信息，并将所述真实网破数据生成表格文件进行存储。

4.根据权利要求3所述的水下成像鱼网破损识别方法，其特征在于：所述S3步骤中，其具体步骤包括：

S3.1：根据所述配置文件及分类标签目录调整所述鱼网破损识别模型的参数；

S3.2：将所述训练集中的水下网破图像依次输入所述鱼网破损识别模型中，所述鱼网破损识别模型识别所述水下网破图像中的网破位置并标注预测框，输出标注有预测框的水下网破图像，以及所述预测框的中心坐标及框体尺寸；

S3.3：所述鱼网破损识别模型对所述水下网破图像中的破损类型根据所述分类标签目录进行分类，输出所述水下网破图像中鱼网破损类型；

S3.4：将所述鱼网破损识别模型输出的预测框的中心坐标及框体尺寸、鱼网破损类型，与对应水下网破图像中的真实网破数据进行对比，计算所述鱼网破损识别模型的损失函数，并根据所述损失函数的结果对所述鱼网破损识别模型的参数进行优化，得到完成训练的鱼网破损识别模型。

5.根据权利要求4所述的水下成像鱼网破损识别方法，其特征在于：所述S3步骤中，所述鱼网破损识别模型识别所述水下网破图像中的网破位置时，共生成N个默认框；所述鱼网破损识别模型对所述水下网破图像中的破损类型进行分类时，计算分类置信度的预测值c。

6.根据权利要求5所述的水下成像鱼网破损识别方法，其特征在于：所述S3步骤中，所述损失函数L为鱼网网破定位损失函数L_loc和鱼网网破分类损失函数L_conf之和，其表达公式如下：

其中，l表示预测框值，g表示真实框值，x表示鱼网破损识别模型网络预测值；鱼网网破分类损失函数L_conf的表达公式如下：

其中，表示当鱼网网破预测框i与真实框j关于类别p匹配时的概率预测值；为鱼网破损识别模型预设值；鱼网网破定位损失函数L_loc的表达公式如下：

其中，(cx,cy)表示预测框的中心坐标，w表示预测框的宽度，h表示预测框的高度；表示预测框，表示真实框；smooth_L1(·)表示平滑系数。

7.根据权利要求1所述的水下成像鱼网破损识别方法，其特征在于：所述S4步骤中，所述预设的精准度阈值的取值范围为90％～95％。