[发明专利]一种基于深度卷积神经网络的鱼类图像分类方法

说明书

本申请实施例提供一种基于深度卷积神经网络的鱼类图像分类方法，涉及水下计算机视觉技术领域。该方法采集水下鱼类图像，构建鱼类图像数据集；选取预训练集ImageNet以及鱼类数据集Fish4Knowledge；构建基于B‑CNNS的卷积神经网络模型，按样本数量大小依次将所述三个数据集输入到所述网络模型中，通过训练和迭代反馈，得到所述鱼类图像数据集中鱼类图像的类别标签。该方法借助样本量较少的数据集即可实现较为理想的鱼类识别准确率，为鱼类生态系统的进一步研究提供了基础。

技术领域

本申请涉及水下计算机视觉技术领域，尤其涉及一种基于深度卷积神经网络的鱼类图像分类方法。

背景技术

鱼类图像分类对海洋生态系统研究特别是鱼类生态系统具有重要意义。在鱼类的栖息地中，用设备获取鱼类的大量清晰图像具有一定困难。由于栖息地环境复杂，以及鱼本身的保护色的原因，都制约了鱼类图像分类等技术的发展。

借助有限数量的鱼类图像数据集完成对鱼类图像的正确分类对于鱼类生态系统的研究具有重要意义。然而，当前鱼类图像分类的方法较少，且往往需要较多的训练样本量。

发明内容

本申请提供了一种基于深度卷积神经网络的鱼类图像分类方法，用于解决现有技术中鱼类图像分类方法少，且对数据集条件要求较高，无法达到较高的识别准确率等技术问题，该方法借助样本量较少的数据集即可实现较为理想的鱼类识别准确率，为鱼类生态系统的进一步研究提供了基础。

本申请实施例的第一方面提供一种基于深度卷积神经网络的鱼类图像分类方法，包括如下步骤：

S1：采集水下鱼类图像，构建鱼类图像数据集；

选取预训练集ImageNet以及鱼类数据集Fish4Knowledge；

S2：构建基于B-CNNS的卷积神经网络模型，按样本数量大小依次将所述三个数据集输入到所述网络模型中，通过训练和迭代反馈，得到所述鱼类图像数据集中鱼类图像的类别标签。

进一步地，步骤S2具体包括：

S21：将所述预训练集ImageNet输入到所述网络模型中训练直至收敛，取点最后的全连接层；

S22：将所述鱼类数据集Fish4Knowledge输入到步骤S21训练后的网络模型中继续训练直至收敛；

S23：将所述鱼类图像数据集输入到步骤S22训练后的网络模型中对网络参数进行微调。

进一步地，所述网络模型包括优化后的数据增强单元以及网络结构单元，即将步骤S1中所述三个数据集输入到所述优化后的数据增强单元得到数据增强后的鱼类图像测试集，将所述鱼类图像测试集输入到所述网络结构单元，得到所述鱼类图像数据集中图像的类别标签。

进一步地，所述将步骤S1中所述三个数据集输入到所述优化后的数据增强单元得到数据增强后的鱼类图像测试集，具体包括：首先将所述三个数据集中的每一幅图像通过SRGAN网络进行超分辨率重建，接着将所述重建后的图像进行数据增强。

进一步地，所述数据增强包括翻折和\或旋转。

进一步地，所述网络结构单元包括两路相同的VGG网络，所述将所述鱼类图像测试集输入到所述网络结构单元，得到所述鱼类图像数据集中图像的类别标签，具体包括：

将所述鱼类图像测试集输入到两路VGG网络中进行特征提取，之后将所述两路VGG网络提取到的特征进行双线性池化得到双线性向量，最后输入softmax函数得到所述鱼类图像数据集中图像的类别标签。

进一步地，所述VGG网络包括五组卷积层，其中，在前四组卷积层的后面插入优化后的SE块。

进一步地，所述优化后的SE块具体操作为：