[发明专利]一种针对育苗期鲍鱼的计数方法

说明书

本发明涉及一种针对育苗期鲍鱼的计数方法，属于图像处理技术领域。一种针对育苗期鲍鱼的计数方法，其特征在于，通过对要计数的幼鲍区域进行拍照，获得初始的输入图像，读取输入图像中的每个像素即获取图像输入的初始矩阵；再通过卷积层卷积的过程将初始矩阵转换成连续的多个二维特征矩阵；然后通过矩阵融合手段处理二维特征矩阵，形成的终端融合矩阵，细化了图片中幼鲍的颜色条理信息，以及相应的位置信息；但是因为经过卷积神经网络，以及通过堆叠多个卷积模块实现信息间长距离依赖的捕获，导致获取依赖关系的效率较低，利用特征关系，以建立信息间的长距离依赖关系计算幼鲍位置信息间的关系。

技术领域

本发明涉及一种针对育苗期鲍鱼的计数方法，属于图像处理技术领域。

背景技术

鲍鱼营养价值丰富，国内外市场对鲍鱼的需求量持续增大，但鲍鱼的自然产量较低，远不能满足市场需求。我国鲍鱼工厂化养殖快速发展，鲍鱼育苗是工厂化养殖的重要组成部分。当鲍苗壳体长到1.8mm，形成第一个孔时算成苗，称为稚鲍。稚鲍数量要严格控制，防止密度大饵料不足造成稚鲍生长缓慢，密度小影响生产效益。当稚鲍壳长为3~5mm时对其进行剥离，并进行3~4个月幼鲍培育阶段。当鲍苗长到10~20mm时，成为商品鲍苗， 鲍苗个体大小参差不齐，需要进行筛选分级再作为种苗出售或进行成鲍培养。我国现阶段剥离稚鲍、幼鲍计数依赖人工，工作量大且易出错。如何将卷积神经网络应用到幼鲍检测和计数，提高检测和计数的准确率，是鲍鱼育苗的关键工作之一；尤其是育苗期鲍鱼分布密集互相之间有遮挡的问题存在时，如何提高计数的准确率问题。

发明内容

针对现有技术中存在的问题，提出了一种利用特征依赖关系矩阵提取输入图像中的特征，以建立信息间的长距离依赖关系，突出输入图像中的幼鲍区域，在幼鲍区域内对幼鲍进行形状、边缘特征提取。解决幼鲍分布密集、相互遮挡时检测精度较低的问题，与传统卷积神经网络堆叠较多卷积层相比较，特征依赖关系矩阵直接计算位置信息间的关系，减少卷积层堆叠，提高计算效率；且易嵌入到网络结构中。

本发明是通过如下的技术方案，解决上述技术问题：

一种针对育苗期鲍鱼的计数方法，其特殊之处在于，通过对要计数的单个幼鲍瓦片进行拍照，获得初始的输入图像，并通过asarray函数读取输入图像中的每个像素并转换成矩阵，即获取图像输入的初始矩阵；再通过卷积层卷积的过程将初始矩阵转换成连续的多个二维特征矩阵，卷积的过程，是利用卷积核去提取特征，卷积核会在反向传播的过程中不断接近输入图像的真实特征集（特征向量），通过特征向量对矩阵进行特征提取，形成二维特征矩阵；由二维特征矩阵记录图片中幼鲍的颜色条理信息，并初步确定图像中幼鲍的位置信息；然后通过矩阵融合手段处理二维特征矩阵，将后端的两个二维特征矩阵（一个二维特征矩阵包含相对较多的颜色纹理特征信息，一个二维特征矩阵包含相对较多的位置特征信息）利用转换矩阵进行行列数的转换，得到行列数相同、颜色纹理特征以及位置特征信息相同的两个二维特征转换矩阵，这样我们通过将得到的两个二维特征转换矩阵进行加运算可以将一个包含相对较多的颜色纹理特征信息二维特征矩阵和另一个包含相对较多的位置特征信息的二维特征矩阵进行融合，形成初始融合矩阵，初始融合矩阵既包含更多的颜色纹理信息又包含更多的位置信息，将初始融合矩阵滚动式的向前与前面的二维特征矩阵融合，形成晋级融合矩阵，获得一个终端融合矩阵，形成的终端融合矩阵细化了图片中幼鲍的颜色条理信息，以及相应的位置信息；但是因为经过卷积神经网络，以及通过堆叠多个卷积模块实现信息间长距离依赖的捕获，导致获取依赖关系的效率较低；进一步处理终端融合矩阵，形成特征依赖关系矩阵，以建立信息间的长距离依赖关系，加强被检测幼鲍信息与瓦片或其余幼鲍信息之间的依赖关系，当被检测幼鲍被其余幼鲍遮挡住时，通过已建立的被检测幼鲍信息与其余幼鲍信息之间的依赖关系，去检测被检测幼鲍与其余幼鲍的遮挡边缘，能够更准确地识别出被检测幼鲍的边界，标记幼鲍边界框，以此提高被检测幼鲍位置信息的准确性；最后通过对获取到的幼鲍边界框进行计数，统计幼鲍的数量，获得单个瓦片上幼鲍的数量后，通过挑选多个瓦片求平均数，再乘以育苗池中瓦片的数量，确定育苗池中幼鲍的总量。

上述技术方案的优势是：