[发明专利]一种鱼类规格的测量方法及系统

说明书

本发明提供了一种鱼类规格的测量方法及系统，方法包括获取待测鱼类图像；将待测鱼类图像输入到鱼类识别模型中，输出待测鱼类图像中每条鱼的像素鱼长；鱼类识别模型是利用标注历史鱼类图像数据集，基于YOLOV5目标检测模型进行训练得到的；像素鱼长为鱼的体长在图像上所占的像素个数；获取拍摄待测鱼类图像的摄像头与待测鱼类之间的拍摄距离；根据像素鱼长和拍摄距离，确定待测鱼类图像中每条鱼的实际体长。本发明通过建立鱼类识别模型，能够实现鱼类规格的自动测量，提高了测量的效率和精度，减少了对鱼类的损伤。

技术领域

本发明涉及鱼类检测技术领域，特别是涉及一种鱼类规格的测量方法及系统。

背景技术

鱼类资源调查主要包括在品种识别、鱼龄判断、数量统计、规格(实际体长和体重)测量方面。早期的调查方法主要包括张网捕捞、PIT遥测和声呐探测等。这些方法存在对鱼有损伤，识别不准确、不及时以及效率低下等问题。

上世纪以来，计算机信息技术飞速发展，深度学习在计算机视觉等多个领域取得重大突破，将深度学习的强大能力及优势运用到鱼类图像识别领域，是对鱼类图像识别的一次重大创新和提升。但是传统的监测识别方法或深度学习的鱼类识别技术用于鱼类的品种识别，规格测量仍然依赖于人工测量，测量的效率和精度都很低，且容易对鱼类造成损伤。

发明内容

本发明的目的是提供一种鱼类规格的测量方法及系统，能够实现鱼类规格的自动测量，提高了测量的效率和精度，减少了对鱼类的损伤。

为实现上述目的，本发明提供了如下方案：

一种鱼类规格的测量方法，包括：

获取待测鱼类图像；

将所述待测鱼类图像输入到鱼类识别模型中，输出待测鱼类图像中每条鱼的像素鱼长；所述鱼类识别模型是利用标注历史鱼类图像数据集，基于YOLOV5目标检测模型进行训练得到的；所述像素鱼长为鱼的体长在图像上所占的像素个数；

获取拍摄所述待测鱼类图像的摄像头与待测鱼类之间的拍摄距离；

根据所述像素鱼长和所述拍摄距离，确定待测鱼类图像中每条鱼的实际体长。

可选的，在所述根据所述像素鱼长和所述拍摄距离，确定待测鱼类图像中每条鱼的实际体长之后，还包括：

将所述待测鱼类图像输入到鱼类识别模型中，输出待测鱼类图像中每条鱼的种类；

根据所述待测鱼类图像中多条鱼的种类和实际体长，利用种类-实际体长-体重关系确定待测鱼类图像中每条鱼的体重。

可选的，在所述获取待测鱼类图像之前，还包括：

获取鱼类历史图像；

将所述鱼类历史图像中的鱼类进行预测框标注和种类标注，得到多张标注历史鱼类图像作为标注历史鱼类图像数据集；

将标注历史鱼类图像中预测框所占的像素个数确定为标注鱼类的像素鱼长；

以所述标注历史鱼类图像数据集为输入，以图像中每条鱼的种类以及像素鱼长为输出，基于YOLOV5目标检测模型进行训练，获取目标鱼类的识别权重，得到鱼类识别模型。

可选的，所述根据所述像素鱼长和所述拍摄距离，确定待测鱼类图像中每条鱼的实际体长，具体包括：

获取所述摄像头的横向分辨率和横向拍摄实际长度；

根据所述横向分辨率和所述横向拍摄实际长度，利用公式α＝A/B+β，确定摄像头的比例因子；

根据所述比例因子和所述像素鱼长，利用公式L＝α*d，确定待测鱼类图像中每条鱼的实际体长；