[发明专利]基于智能鱼竿的机器学习方法与装置

说明书

本发明提出了一种基于智能鱼竿的机器学习方法、终端及计算机存储介质，通过建立不同钓鱼场景对应的鱼类数据库，增加鱼类数据库鲁棒性，基于扩充后的训练数据集，建立机器学习鱼类图像数据分类模型，钓鱼过程中选择钓鱼场景，获取水域场景信息，获取鱼类目标信息，对鱼类目标进行识别。以稳定、准确的获取水中鱼情图像，对水中鱼情图像进行分类识别，实现智能鱼竿能获取水中鱼情，还能判断水中鱼的种类的功能。

技术领域

本发明属于户外运动领域，具体涉及基于鱼竿的水下鱼类图像采集装置，以及图像自动分类方法。

背景技术

目前。市面上的智能鱼竿可以通过鱼线或者浮漂上面的加速度传感器，获取鱼类咬钩时所产生的向下瞬间拉力，从而判断是否有鱼咬钩。由于其工作原理往往是基于加速度传感器所采集到的加速度值是否大于预先设定的阈值范围来判断是否有鱼咬钩，因此这类装置的灵敏度严重依赖预先设定的阈值、加速度传感器的精度，在实际使用中存在较大的误判率。此外，这类装置无法判断鱼钩上是鱼还是其他杂物，更加无法判断水中鱼的种类，使用体验感较差。

发明内容

鉴于上述现有技术的不足，本发明提出一种基于智能鱼竿的机器学习方法、电子设备及计算机存储介质，其目的在于稳定、准确的获取水中鱼情图像，再基于机器学习方法对水中鱼情图像进行分类识别，实现智能鱼竿能获取水中鱼情，还能判断水中鱼的种类的功能。

本发明详细技术方案如下：

1.一种基于智能鱼竿的机器学习方法，包括以下步骤：

步骤1：建立不同钓鱼场景对应的鱼类数据库；

步骤2：增加鱼类数据库鲁棒性，步骤包括；

步骤2.1：对池塘鱼类数据库A1和河流鱼类数据库B1中的图像数据集，按照一定的比例分别划分为池塘鱼类训练数据集ATr1、池塘鱼类测试数据集ATe1，以及河流鱼类训练数据集BTr1和河流鱼类测试数据集BTe1，；

步骤2.2：分别对池塘鱼类训练数据集ATr1和河流鱼类训练数据集BTe1进行数据扩充，包括对训练数据加入高斯噪声和椒盐噪声生成新的加噪声图像，通过调整训练数据的直方图均衡性来进行训练数据明暗度增加，生成新的不同明暗度图像，对训练数据进行旋转、镜像、平移、尺度变换等操作，生成新的不同角度图像，再将上述不同特性图像分别加入初始训练数据集ATr1和BTe1，生成扩充后的训练数据集ATr2和BTe2；

步骤3：基于扩充后的训练数据集，建立机器学习鱼类图像数据分类模型；

步骤4：钓鱼过程中选择钓鱼场景；

步骤5：获取水域场景信息；

步骤6：获取鱼类目标信息；

步骤7：对鱼类目标进行识别。

进一步的所述步骤1：建立不同钓鱼场景对应的鱼类数据库，包括：

步骤1.1：对池塘区域，根据水深不同采集水中有不同类型鱼类图像数据和水中没有鱼建立池塘鱼类数据库A1，然后执行步骤2.1；

步骤1.2：对河流区域，根据上下游不同采集不同类型鱼类建立河流鱼类数据库B1，然后执行步骤2.2。

进一步的所述步骤3：基于扩充后的训练数据集，建立机器学习鱼类图像数据分类模型，步骤包括；

步骤3.1：将所有鱼类训练数据和测试数据的图像矩阵统一尺寸，并对其进行归一化，然后设置训练数据集和测试数据集的批次大小值，以及样本迭代次数，将交叉熵函数设置为损失函数，并用随机梯度下降方法更新网络参数，设置学习率，将完全连接层的最终输出值设置为N；