[发明专利]一种基于深度学习的抗遮挡与多尺度死鱼识别系统与方法

说明书

本发明公开了基于深度学习的抗遮挡与多尺度死鱼识别系统和方法，针对死鱼识别背景复杂、尺度变化大与遮挡等难点，对FasterRCNN识别模型进行了改进，以适应复杂水下环境的死鱼识别场景。本发明首先对待识别图像进行对比度受限的自适应直方图均衡处理，增强目标局部对比度；其次设计多尺度特征增强模块以处理大尺度范围的死鱼识别问题，并基于注意力机制设计抗遮挡模块，高亮目标区域，排除其他噪声等背景干扰；最终利用旋转矩形框表征死鱼目标，大幅提升了密集场景下死鱼的识别精度。

技术领域

本发明涉及一种图像识别的应用技术领域，特别涉及水下死鱼识别技术，具体是一种基于深度学习的抗遮挡与多尺度死鱼识别系统与方法。

背景技术

在鱼类养殖过程中，由于养殖水体中存在细菌、寄生虫，或者养殖密度过大水体流动性不好导致氧浓度不够等原因，养殖过程中难免会发生鱼类死亡。鱼类死亡后先沉入水底，内脏器官发酵产生气体后浮上水面，在这个过程中死鱼在养殖网箱中的移动可能与其他活鱼接触或者被活鱼分食而导致病菌扩散。为了防止该问题发生，急需设计一种死鱼识别方法，能及时给出死鱼上浮之前的位置、数量等信息，为后续死鱼的提前清理与收集提供依据。

传统死鱼识别方法通常借助人工干预，但其智能化水平低，极大增加了人力物力。随着人工智能和深度学习的快速发展，图像目标识别技术应用越来越广，出现了FasterRCNN与YOLO等经典的识别模型，然而，这些方法均针对水上环境进行设计。《一种基于深度卷积神经网络的死鱼识别方法及预警系统》将原始Faster RCNN模型直接迁移到水下死鱼识别上。《基于图像识别的养殖鱼监控方法及系统》则直接将YOLO模型运用到鱼类识别上。上述方法均直接套用了现有模型，没有考虑并针对性解决以下四个方面的实际难题和因素，造成识别准确率低：(1)水下图像通常具有低对比度、低亮度等特点，与水上图像存在较大差异，无法直接迁移；(2)死鱼沉入水底后会出现死鱼之间或死鱼与活鱼之间的类内遮挡，同时死鱼也会被水草等干扰，出现类间遮挡，导致提取的识别特征容易被污染；(3)由于死鱼的类别、体积等差异，造成死鱼尺度变化范围大；(4)Faster RCNN等方法均采用水平矩形框表示目标位置，然而由于死鱼体态一般分布在不同方向，水平矩形框会包含大量无用背景信息，且在密集场景下，矩形框之间也会发生重叠，易被后处理阶段排除。

发明内容

为解决上述现有技术存在的不足和缺陷，申请人经过研发设计，现提供一种基于深度学习的死鱼识别方法，设计多尺度特征增强模块有效解决多尺度死鱼识别问题，该方法还设计基于注意力机制的抗遮挡模块，有效凸显前景，抑制背景干扰，此外，该方法通过预测表征死鱼位置的旋转矩形框，使得在密集场景下识别效果更好。

具体的，本发明是这样实现的：一种基于深度学习的抗遮挡与多尺度死鱼识别系统，包括：

死鱼识别数据集模块，用于获取并保存水下拍摄的水下图像，用于构建死鱼识别训练集、验证集与测试集；

图像特征提取模块，用于对水下图像进行预处理，提取图像底层边缘和高层抽象特征图；

多尺度特征加强模块，用于通过串联多个特征金字塔的方式，提高特征的多尺度表达能力。生成候选框对前景目标进行表示，并能自适应提取和融合不同尺度的区域候选框特征；

抗遮挡模块，用于通过注意力机制学习前景目标的掩码，并与候选框特征进行融合，抑制背景的干扰，得抗遮挡特征，

死鱼目标识别模块，用于以候选框特征为初始起点，结合抗遮挡特征和全连接层，回归表征死鱼位置的旋转矩形框，并进行死鱼类别分类，完成死鱼目标识别。

同时，基于上述的系统，本发明还公开了一种基于深度学习的抗遮挡与多尺度死鱼识别方法，

步骤S1、获取水下图像，建立训练和测试用的死鱼识别数据集，

步骤S2、行图像预处理，将图像输入图像特征提取模块，提取图像底层边缘和高层抽象特征图；