[发明专利]一种鱼的去鳞效果检测方法、装置及存储介质

权利要求书

1.一种鱼的去鳞效果检测方法，其特征在于，包括：

拍摄去鳞鱼体的第一图像；

将所述去鳞鱼体的第一图像导入预先确定的模型中进行检测；

根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数；

根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计算去鳞率和损伤率。

2.根据权利要求1所述的方法，其特征在于，所述拍摄去鳞鱼体的第一图像包括：

每隔时间T1拍摄图像，或者

检测到鱼体经过时拍摄图像；

其中T1为预设的拍摄时间间隔。

3.根据权利要求1所述的方法，其特征在于，所述去鳞率等于无鱼鳞部分的像素数除以鱼体部分的像素数，所述损伤率等于损伤部分的像素数除以鱼体部分的像素数。

4.根据权利要求1所述的方法，其特征在于，根据以下步骤确定所述预先确定的模型：

步骤A：确定训练数据集，验证数据集和测试数据集；

步骤B：构建第一神经网络模型；

步骤C：将所述训练数据集和验证数据集导入所述第一神经网络模型进行学习；

步骤D：当训练次数超过预设的次数门限，并且训练得到的平均精度均值大于预设的精度门限时，则执行步骤E，否则调整参数继续执行步骤C；

步骤E：使用测试数据集对模型进行测试，当测试得到的平均精度均值小于预设的精度门限时，调整参数继续执行步骤C；当测试得到的平均精度均值大于等于预设的精度门限时，停止训练得到所述预先确定的模型。

5.根据权利要求4所述的方法，其特征在于，所述确定训练数据集，验证数据集和测试数据集包括：

采集去鳞后的鱼的第二图像；

将所述第二图像标记为无鱼鳞部分、损伤部分和鱼体部分，得到第一数据集；

将第一数据集划分为训练数据集、验证数据集和测试数据集。

6.根据权利要求4所述的方法，其特征在于，所述预设的次数门限为200次，所述精度门限为90％。

7.根据权利要求4所述的方法，其特征在于，所述第一神经网络模型包括：

所述第一神经网络模型包括骨架网络，区域建议网络和后处理网络；

所述骨架网络与所述区域建议网络连接，所述区域建议网络与所述后处理网络连接；

所述骨架网络用于提取特征图像，并根据所述特征图像生成锚框，并将所述锚框输入所述区域建议网络；

所述区域建议网络用于根据输入的锚框，进行二值分类以及边界框的回归，删除无用的锚框，降剩余的锚框输入所述后处理网络；

所述后处理网络根据输入的锚框，进行分类，边界回框回归和掩膜生成。

8.根据权利要求7所述的方法，其特征在于，所述骨架网络包括：

所述骨架网络从左至右分为C层，M层和P层；

其中所述C层为残差网络，包括5个层，自下而上分为C1层，C2层，C3层，C4层和C5层，C1层为所述第一图像的输入层；

所述M层为FPN网络，包括5个层，自下而上分为M1层，M2层，M3层，M4层和M5层；

所述P层为横向连接网络，包括5个层，自下而上分为P2层，P3层，P4 层，P5层和P6层；

所述C2层的输入为C1层的输出，所述C3层的输入为C2层的输出，所述C4层的输入为C3层的输出，所述C5层的输入为C4层的输出；

所述M5层的输入为所述C5层的输出，所述M4层的输入为所述M5层的输出，所述M3层的输入为所述M4层的输出，所述M2层的输入为所述M3层的输出，所述M1层的输入为所述M2层的输出；

所述P6层的输入为所述M5层的输出，所述P5层的输入为所述M5层的输出，所述P4层的输入为所述C4层的输出与所述M4层的输出之和，所述P3层的输入为所述C3层的输出与所述M3层的输出之和，所述P2层的输入为所述C2层的输出与所述M2层的输出之和。