[发明专利]基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法

权利要求书

1.一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述方法包括以下步骤：

步骤1、将鱿鱼解冻后，清洗干净，去除鱿鱼表面污染物，剔除破损鱿鱼，制备成作为鱿鱼自动分类的鱿鱼样本；

步骤2、将所述鱿鱼样本平整展开于工作台上，置于辅助光源照射区域，利用拍摄设备在不同角度对所述鱿鱼样本进行图像采集，获得原始鱿鱼图像；

步骤3、对所述原始鱿鱼图像进行图像预处理，获得测试图像；

步骤4、对所述测试图像输入改进卷积神经网络中进行训练，获得不同种类鱿鱼的图上特征从而实现鱿鱼分类识别。

2.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。

3.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤2中所述拍摄设备为数码相机、手机、PDA中的一种或多种。

4.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤2中所述不同角度为垂直方向、45°侧视方向和正视方向，所述拍摄设备距离所述鱿鱼样本0.2米至1.0米。

5.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤3中所述图像预处理具体包括以下步骤：

步骤3.1、对所述原始鱿鱼图像进行图像重采样，利用Python脚本对所述原始鱿鱼图像进行切割，获得重采样图像；

步骤3.2、利用基于Python语言编写的LabelMe工具对所述重采样图像进行图像数据标记，手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果，获得测试图像；

步骤3.3、对原始数据集中的原始图像数据进行图像数据增广处理。

6.如权利要求5所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤3.1中所述切割后的图像包含512×512个像素。

7.如权利要求5所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤3.3中所述图像数据增广方式包括添加噪声、旋转、镜像、缩放、主成分分析中的一种或多种。

8.如权利要求7所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述旋转包括90°、180°、270°旋转中的一种或多种。

9.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤4中所述改进卷积神经网络为Faster R-CNN，包括基础特征提取网络、RPN、Fast R-CNN，所述RPN和Fast R-CNN共享特征提取卷积层，并实现端到端的检测。

10.如权利要求9所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法，其特征在于，所述步骤4中所述Faster R-CNN，包括将网络中第一个全连接层后添加一个Dropout层，并且在训练时对这一层中包含的特定神经元的输出随机进行一定比例的抑制；在验证和测试过程中去掉该层并用随机丢弃概率乘以上一层输出值；对目标进行分类时只采用一个输出神经元个数为2048的全连接层。