[发明专利]一种过鱼通道目标鱼类实时识别方法和系统

权利要求书

1.一种过鱼通道目标鱼类实时识别方法，其特征在于，包括：

获取过鱼通道的待检测图像；

获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤；

所述获取目标鱼类检测模型，之前还包括：

获取样本训练集、样本测试集和样本验证集；

获取初始神经网络模型；

采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型；

所述样本训练集的确定过程为：

获取训练图片；所述训练图片含有标注信息；

采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

获取设定阈值；

确定所述IOU值和所述设定阈值间的关系；

当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300；

所述采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型，具体包括：采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；对所述Softmax向量进行交叉熵计算得到分类损失值；对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型；

所述采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型，具体包括：

采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

通过池化层将所述第二特征图生成固定尺寸的建议特征图；

采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

2.一种过鱼通道目标鱼类实时识别系统，其特征在于，包括：

待检测图像获取模块，用于获取过鱼通道的待检测图像；

目标鱼类检测模型获取模块，用于获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

检测模块，用于采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤；

还包括：

数据集获取模块，用于获取样本训练集、样本测试集和样本验证集；

初始神经网络模型获取模块，用于获取初始神经网络模型；

第一神经网络模型确定模块，用于采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

训练模块，用于采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

联合训练模块，用于采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型；

所述联合训练模块具体包括：

第一特征图确定单元，用于采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

第二特征图确定单元，用于采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

建议特征图确定单元，用于通过池化层将所述第二特征图生成固定尺寸的建议特征图；

目标鱼类检测单元，用于采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型；

所述第一神经网络模型确定模块具体包括：

向量确定单元，用于采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；

分类损失值确定单元，用于对所述Softmax向量进行交叉熵计算得到分类损失值；

回归损失值确定单元，用于对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；

第一神经网络模型确定单元，用于采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型；

还包括样本训练集构建模块；所述样本训练集构建模块包括：

训练图片获取单元，用于获取训练图片；所述训练图片含有标注信息；

感兴趣区域提取模块，用于采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

IOU值确定单元，用于根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

设定阈值获取单元，用于获取设定阈值；

关系确定单元，用于确定所述IOU值和所述设定阈值间的关系；

正样本确定单元，用于当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

样本训练集构建单元，用于依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300；

所述第一神经网络模型确定模块具体包括：向量确定单元，用于采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；分类损失值确定单元，用于对所述Softmax向量进行交叉熵计算得到分类损失值；回归损失值确定单元，用于对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；第一神经网络模型确定单元，用于采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型。