[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

说明书

本发明公开了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，包括步骤：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；将鱿鱼样本平整展开于工作上，置于辅助光源照射区域，利用拍摄设备在不同角度对鱿鱼样本进行图像采集，获得原始鱿鱼图像；对原始鱿鱼图像进行图像预处理，获得测试图像；对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。本发明将机器视觉技术与深度学习框架相结合，通过改进的卷积神经网络自动提取图像中鱿鱼的特征并实现对不同品种的正确分类，从而满足工厂化生产中精细加工的需要。

技术领域

本发明涉及水产品自动分类技术领域，尤其涉及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。

背景技术

鱿鱼在全球海洋经济中起着十分关键的作用。与其他水产品相比其繁殖周期较短、繁殖能力强、种群恢复速度快。在鱿鱼制品加工中，需要对不同品种的鱿鱼进行分类处理以保证其对应的口感和品质。此外，实现品种的精确分类对于制定合理的捕捞策略、构建差异化定价体系具有十分重要的意义。随着远洋捕捞和头足类深加工技术的发展，水产加工企业普遍对鱿鱼品种的精准分类具有迫切要求。当前在鱿鱼加工环节中，一般通过人工分拣满足以流水线生产的需要。传统人工分拣法依赖经验判断，其效率低下且主观性强，无法满足标准化生产需要。

近年以来，基于机器视觉的半自动分拣装置也被广泛应用于多种水产分拣场景中，在一定程度上实现了对人工的替代。半自动鱿鱼分拣装置在识别鱿鱼个体时，大多依赖颜色、纹理、形状等简单特征，其误分率高，且对环境光照、对象摆放位置等要求较高，难以实现复杂场景下的连续作业。

因此，本领域的技术人员致力于开发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，针对现有人工及半自动分拣法在识别鱿鱼种类上存在的不足，将机器视觉技术与深度学习框架相结合，通过改进的卷积神经网络自动提取图像中鱿鱼的特征并实现对不同品种的正确分类，从而满足工厂化生产中精细加工的需要。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何解决现有人工及半自动分拣法在识别鱿鱼种类上存在的不足，满足工厂化生产中精细加工的需要。

为实现上述目的，本发明提供了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。

进一步地，所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。

进一步地，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。

进一步地，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。

进一步地，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；