[发明专利]一种基于Mask-Rcnn识别鱼类生长检测方法

说明书

本发明涉及深度神经网络技术领域，涉及一种基于Mask‑Rcnn识别鱼类生长检测方法，包括以下步骤：S1、通过鱼缸上设置摄像头采集鱼视频流数据；S2、对采集到的视频流进行分帧处理；S3、用标注软件1abelme在图像上标注鱼的标签；S4、利用Mask‑Rcnn深度神经算法的迁移学习思想，用COC0公开数据集的权重，对Mask‑Rcnn初始化，使用训练集进行训练；S5、使用测试集验证Mask‑Rcnn模型的检测效果。本发明通过Mask‑Rcnn深度神经算法，准确识别鱼类长度，计算出鱼类重量，从而准确计算出投喂饵料量。

技术领域

本发明涉及深度神经网络技术领域，尤其涉及一种基于Mask-Rcnn识别鱼类生长检测方法。

背景技术

在水产养殖业，饲料成本永远是所有投入中最大的项目，优化投喂方案将大大降低成本。附加地，饲料利润率的提升，也可以减少残饵降解产生的毒素，减轻环境和养殖水体的压力，所以现代化的养殖工艺中一个优秀的投喂方案是重中之重。

现有技术方案是使用人工投喂养殖，只能靠饲养人员的个人经验和观察料台来投喂饲料。而往往在水产养殖中，养殖生物处在不断的生长过程中，所以需要实时的调整投喂方案,于是需要开发可以识别鱼虾的生长特性，从而实现自动投喂的系统。

已公开的发明专利(“一种无损鱼骨的鱼骨表型信息自动检测系统及方法”，202010585963.8)提供一种无损鱼骨的鱼骨表型信息自动检测系统及方法，涉及图像处理提取轮廓技术及深度学习实例分割识别目标轮廓技术领域。该系统包括数据采集装置、信号传输系统、终端计算机及终端显示器；该方法通过数据采集装置采集待检测鱼的鱼侧身图像和鱼正面的X光图像，并通过信号传输系统传输到终端计算机；终端计算机根据接收的鱼侧身图像通过图像处理技术提取鱼侧身轮廓并计算鱼的厚度信息，然后控制数据采集装置采集鱼正面的X光图像，并根据接收的鱼正面的X光图像通过实例分割技术识别鱼的各个轮廓，计算得到鱼骨表型信息，并将检测结果通过终端显示模块进行显示,该系统及方法能够在不损伤鱼体本身的情况下检测鱼厚、鱼长及鱼骨表型信息，但在实际养殖中运用该X光技术是较为困难的，经济成本巨大，可行性较低。

另外,现有鱼类养殖中还存在以下问题：

1、饲料浪费：根据饲养人员的经验通过观察料台投喂饲料，导致近30％的饲料被浪费的，残饵降解还会产生的毒素，对鱼类生长和养殖水体都有影响。

2、投喂方案不能灵活调整：鱼类处在不断的生长过程中，传统的人工养殖方式投喂饲料是固定的，无法进行个性化定制投喂方案。

发明内容

本发明解决的技术问题：通过Mask-Rcnn深度神经算法，准确识别鱼类长度，计算出鱼类重量，从而准确计算出投喂饵料量。

本发明所采用的技术方案：一种基于Mask-Rcnn识别鱼类生长检测方法，包括以下步骤：

S1、通过鱼缸上设置摄像头采集鱼视频流数据；

S2、对采集到的视频流进行分帧处理，每隔固定间隔采样，得到鱼类图像；

S3、用标注软件1abelme在图像上标注鱼的标签，鱼的标签为标注鱼的轮廓，获得包括原始图像和对应标签的json文件，将数据集随机分为训练集、验证集和测试集，比例为7:1:2；

S4、利用Mask-Rcnn深度神经算法的迁移学习思想，用COC0公开数据集的权重，对Mask-Rcnn初始化，使用训练集进行训练，训练过程中，每个训练轮次使用验证集进行验证，如果训练轮次和损失率的验证曲线收敛(即曲线斜率变化小于5度)，进入步骤S5；否则返回步骤S3，增加训练样本(如果训练样本偏少，无法达到收敛条件)，并重新做标签，重复训练，直至验证曲线收敛，从而建立Mask-Rcnn模型；

Mask-Rcnn的损失函数L＝Lcls+Lbox+Lmask；