[发明专利]一种鱼类关键点表型数据测量方法

说明书

本发明提供一种鱼类关键点表型数据测量方法，涉及标识解析技术领域。该方法首先拍摄多张鱼类的侧视图图像和俯视图图像，并获取侧视图图像以及俯视图图像的标尺比例参数；并利用标注软件标注俯视图及侧视图图像的关键点；通过标注了关键点的俯视图及侧视图图像训练AIOI‑CNet网络模型，利用已经训练好的AIOI‑CNet网络模型，对俯视图下自定义的多个关键点及侧视图下自定义的多个关键点进行检测，得到各关键点坐标；根据AIOI‑CNet网络模型检测得到的侧视图以及俯视图上关键点坐标，结合侧视图以及俯视图相机参数比例获取侧视图和俯视图上鱼体的表型数据。该方法解决了现有模型检测关键点出现空间信息丢失、训练时间长，鲁棒性不强等问题，提高整体关键点检测精度。

技术领域

本发明涉及标识解析技术领域，尤其涉及一种鱼类关键点表型数据测量方法。

背景技术

近年来，我国每年的水产品养殖产量保持在较为稳定的水平，是世界上唯一养殖水产品总量超过捕捞总量的主要渔业国。水产品产量一方面来自于捕捞，一方面来自于养殖。其中中国水产养殖业历史悠久，其历史可追溯到3000多年前的殷代。在人工养殖的过程中，水产生物的一系列“表型数据”是养殖者进行喂养、配种、差别分级等进行相关研究的主要信息。研究者根据个体鱼类的“表型数据”，能够得到个体鱼的生长状况，发育状态，进而制定养殖策略，提高经济效益。表型数据为基因型和环境决定的形状、结构、大小、颜色等生物体的外在性状数据。

主流的测量方法主要是人工测量个体鱼的表型数据，即将鱼捕捞后用相应的工具进行测量相关的数据，当需要测量大量的个体鱼类时候，需要消耗大量人力物力，且人为手工操作存在的一定人为误差，增加了研究者对数据分析的难度，费时费力。

另外一种方法主要是利用新兴的人工智能技术进行图像处理来检测测量鱼的表型数据。现有的人工智能技术大多数都是在设计网络时，通过不断地跳层连接的方式来保证在每个分辨率下保留多个空间特征，尽管这些方法都开始保持目标对象的细节，更多地关注了长期依赖性和全局特征。对于局部细节关注度不够。

对于传统的鱼类表型数据测量方法，其存在的问题可以总结如下：

手工测量鱼类数据，有大量的时间和精力消耗，效率低下。

手工测量鱼类数据，个人主观因素强，存在一定的人为误差，对总结数据的规律性带来困难。

手工测量数据样本太少，少量的鱼类表型数据无法给研究者带来指导性规律。

对于新兴的人工智能技术测量方法，利用计算机视觉，对鱼类图像进行一系列预处理，算法处理并获得研究对象鱼类“关键点”、“特征点”等数据，根据参数数据映射到实物，并计算其他“表型”数据。相关一些定义如下：

关键点：对分析特定问题有帮助的点；

特征点：能够在其他含有相同场景或目标的相似图像中以一种相同的或至少非常相似的不变形式表示图像或目标；

表型：基因型和环境决定的形状、结构、大小、颜色等生物体的外在性状；

虽然近些年利用深度学习模型来检测鱼类表型的方法有了很大的进步，但是也存在一些无法忽视的问题。其存在的问题可以总结如下：

对于一些边缘轮廓检测的方法，通过公式转换来测量鱼类表型数据，这种方法通过测量得到的指标表型类少，不适合大规模商用。

简单的深度神经网络模型训练过程时间长，在从一种鱼类到另外一种鱼类迁移时，准确率会降低很多，鲁棒性不强。

现有应用在鱼类关键点检测的深度神经网络模型往往过于关注了长期依赖性和全局特征。网络模型对图像的空间信息没有加以关注，对于图像局部细节关注度不够，整体精度不高。