[发明专利]一种基于深度学习的贝类目标尺寸快速测量方法

权利要求书

1.一种基于深度学习的贝类目标尺寸快速测量方法，其特征包括：

步骤1：将待测量的目标放置在带有不少于4个标识特征点的平面容器上，使用图像采集设备对平面容器进行图像采集工作；

步骤2：通过深度学习网络，对采集到的图像进行标识特征点检测，标识特征点检测网络的损失函数采用加权Hausdorff距离，具体公式如下：

其中：Ω是真实坐标空间与预测坐标空间内所有的点的合集；

Y是检测目标的实际坐标集合；

P是网络计算得到概率热图；

S＝∑_x∈Ωp_x；

ε＝10^-6；

p_x∈[0,1]是坐标点x处输出的概率值；

利用图像中平面容器标识特征点的像素坐标与实际平面容器标识特征点的物理坐标之间的关系确定图像平面映射到实际物理平面的单应矩阵；

步骤3：通过定位检测深度学习网络对测量目标进行识别以及数量检测，结合单应矩阵以及测量目标的矩形框实现测量目标的物理尺寸估计，

对测量目标进行识别以及数量检测采用联合目标定位检测与数量统计模型，

本模型中采用的损失函数定义为：

Loss_Total＝L_heatmap+λ_sizeL_size+λ_ctL_ct

其中,L_heatmap、L_size、、L_ct为三个输出的损失函数，每个损失函数的定义如下：

其中：N为目标中心点的数量；

Y_xyc为目标真实值；

为目标预测概率；

Y_xyc、中xy为测量目标坐标，c为测量目标的类别；

α＝2；

β＝4；

其中：定义为第k个测量目标的宽和高，是预测的宽和高；

L_ct＝|C-C_P|

其中：C、C_p分别为实际目标数量和预测的目标数量。

2.根据权利要求1所述的一种基于深度学习的贝类目标尺寸快速测量方法，其特征在于，所述平面容器为带有不少于4个标识特征点的盘子，具体地，标识特征点就是易分辨的标识，结合平面映射的单应性，就可将图像中待测量目标的像素坐标转换为实际物理坐标。

3.根据权利要求1所述的一种基于深度学习的贝类目标尺寸快速测量方法，其特征在于，所述步骤3中包括测量目标定位和测量目标尺寸计算，具体的说：

步骤3-1：通过对测量目标定位的方法对目标进行统计测量，获得单个测量目标矩形框的像素坐标；

步骤3-2：通过所述单应矩阵能够将像素坐标转换为实际物理坐标，得到单个测量目标的物理估计尺寸。