[发明专利]一种基于神经网络的鱼体鱼病检测方法及系统

说明书

本发明公开了一种基于神经网络的鱼体鱼病检测方法及系统，属于鱼类养殖技术领域。该方法包括：采集鱼体鱼病图像数据和视频数据；构建改进的YOLO v4网络模型，包括加入通道注意力机制优化特征提取模块；引入GELU激活函数；以及使用深度可分离卷积改进特征融合模块；使用鱼体鱼病数据对改进的YOLO v4网络模型进行训练及验证，获取最优模型；将实时采集的鱼类视频数据导入最优模型进行养殖中的鱼病监测与预警。本发明在保留图像细节特征的基础上提高了目标检测的效率，对于水下场景中物体产生的遮挡和相似鱼病具有更好的检测效果。本发明大幅降低了了养殖环境下监测的人力成本和工作人员的素质要求，有效推动智慧渔业的发展。

技术领域

本发明涉及鱼类养殖技术领域，特别涉及一种基于神经网络的鱼体鱼病检测方法及系统。

背景技术

水产养殖是全球粮食生产中高蛋白资源增长最快的部门，被认为是满足日益增长的粮食需求的最有效和可持续的方法，有助于世界范围内的经济发展和社会稳定。全球水产养殖产量达到1.145亿吨，其中鱼类，如鳍鱼、贝类和甲壳类的产量为8210万吨(《2020年世界渔业和水产养殖状况》)。

高质量和绿色水产品的供应以及农场饲养的水生生物的福利是政策制定者、非政府组织、水产养殖业和消费者极为关注的问题。然而，疾病极大地导致了海鲜质量的退化和集约化水产养殖中鱼类福利的减少，很可能是造成鱼类大规模死亡的原因，并在一定程度上影响了世界范围内的经济和社会发展。皮肤病被认为是影响许多水产养殖物种可持续增长的主要问题，如大西洋鲑鱼、红带海鲷。

传统的鱼病监测主要依赖人工，判断不同的鱼病需要该领域专家的专业知识，鱼类快速的移动也增加了人为检测的难度。因此为了提升检测的准确性和高效性，急需开发一种基于计算机网络的鱼类跟踪、鱼病识别技术，来降低人力物力成本。

发明内容

针对现有技术的缺陷，本发明基于图像识别技术，通过深度学习网络进行目标检测与识别，显著提高了实际深远海网箱养殖场景中鱼病检测的检测效率和识别准确性。实现了高效且轻便的养殖鱼病防治，本发明可广泛应用于智慧牧场鱼病的实时监测。

为了达到上述目的，本发明提供了一种基于神经网络的鱼体鱼病检测方法，包括如下步骤：

(1)采集鱼体鱼病图像数据和视频数据，并对所述鱼体鱼病数据进行预处理；

(2)构建改进的YOLO v4网络模型，包括加入通道注意力机制，优化特征提取模块；引入GELU激活函数；以及使用深度可分离卷积改进特征融合模块；

(3)使用预处理后的所述鱼体鱼病数据对所述改进的YOLO v4网络模型进行训练及验证，获取最优的所述改进的YOLO v4网络模型；

(4)将实时采集的鱼类视频数据导入最优的所述改进的YOLO v4网络模型进行养殖中的鱼病监测与预警。

进一步的，所述对所述鱼体鱼病数据进行预处理包括：

(1.1)通过视频切割将获取到的所述鱼体鱼病视频数据切割为图像数据，与所述鱼体鱼病图像数据一起通过裁减和填补的方式将图像像素处理到416×416，得到数据集图像；

(1.2)根据鱼体鱼病的特征对所述数据集图像进行筛选和分类，获取鱼体鱼病病害的类别；

(1.3)根据分类的结果对所述数据集图像使用LabelImg进行标注；

(1.4)将所述数据集图像按照8:1:1的比例分为训练集、验证集和测试集；

(1.5)将训练集中的图像通过调整图像的尺寸、亮度、高斯模糊度、水平翻转、从-10°至10°的图像旋转进行数据增强；

(1.6)使用Mosaic数据增强方法将步骤(1.5)处理后的图像数据进一步增强；