[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

说明书

本发明提出一种基于深度学习的水下成像鱼网破损识别方法，包括以下步骤：采集图像数据库并划分为训练集和测试集；对水下网破图像分别进行标注其网破位置并生成表格文件进行存储；构建鱼网破损识别模型；将训练集输入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；将测试集输入完成训练的鱼网破损识别模型中，输出测试集对应的鱼网破损识别结果，并验证模型的精准度，得到完成训练的鱼网破损识别模型；采用水下摄像头采集水下鱼网图像，将水下鱼网图像输入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。本发明还提出了一种基于深度学习的水下成像鱼网破损识别系统，能够搭载在水下作业的工程载体上使用。

技术领域

本发明涉及图像识别技术领域，更具体地，涉及一种基于深度学习的水下成像鱼网破损识别方法及系统。

背景技术

目标检测是对目标物体进行定位和分类的研究，随着数字图像处理的不断发展，目标检测成为当下研究者的重点研究方向之一。图像识别技术已被广泛应用于医学、军事、工业和农业领域，目前，尚未有应用于鱼网破损识别技术的相关研究。

相近的，研究者徐志刚等提出了路面破损图像自动处理技术，在对路面破损进行目标检测时，主要采用阈值分割法、边缘检测法、基于多尺度的裂缝检测方法、基于纹理的分割方法、基于多特征融合的方法、基于图论的分割方法、基于深度学习的方法等。其中，在基于深度学习的方法进行破损检测时，主要采用卷积神经网络CNN、深度卷积神经网络DCNN，且使用CNN方法能够弥补传统方法在准确率和检测效率方面的不足(徐志刚,车艳丽,李金龙,et al.路面破损图像自动处理技术研究进展[J].交通运输工程学报,2019,19(01):176-194.)。然而，在应用于水下成像鱼网破损识别领域时，直接采用卷积神经网络CNN、深度卷积神经网络DCNN会存在算法较复杂，难以搭载在水下作业的工程载体上使用。

发明内容

本发明为克服上述现有技术所述的算法复杂、难以搭载在水下作业的工程载体上使用的缺陷，提供一种基于深度学习的水下成像鱼网破损识别方法，以及一种基于深度学习的网箱水下成像鱼网破损识别系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度学习的水下成像鱼网破损识别方法，包括以下步骤：

S1：采集水下网破图像组成图像数据库，将图像数据库中的水下网破图像划分为训练集和测试集；对水下网破图像分别进行标注其网破位置，将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，选取鱼网破损识别模型训练需要的配置文件，并预设鱼网破损识别模型的分类标签目录；

S3：根据配置文件及分类标签目录调整鱼网破损识别模型的参数，然后将训练集输入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：将测试集输入完成训练的鱼网破损识别模型中，输出测试集对应的鱼网破损识别结果，将鱼网破损识别结果与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，将水下鱼网图像输入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。

优选地，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。

优选地，S1步骤中，对水下网破图像分别进行标注其网破位置的具体步骤包括：在水下网破图像中构建图像坐标系；在水下网破图像中网破位置标注外接矩形框作为真实框，记录真实框的中心坐标及框体尺寸、水下网破图像中破损类型作为真实网破信息，并将真实网破数据生成表格文件进行存储。

优选地，S3步骤中，其具体步骤包括：