[发明专利]一种基于改进RepVGG的鱼类摄食行为状态识别方法

说明书

本发明公开了一种基于改进RepVGG网络的鱼类摄食行为状态分析方法，通过使用工业摄像机和计算机对养殖池进行图像采集和预处理，并使用多参数传感器采集养殖池的水质信息并实时监控；设计一种RepVGG网络框架用于识别鱼类群进食行为，通过在VGG网络的Block块中加入了Identity和残差分支保证准确率的加速操作，同时加入通道注意力ECA模块降维处理，平衡速度和精度，并采用训练策略提高模型的识别准确率。通过在所构建的鱼群摄食行为数据集上验证，同时与卷积神经网络(CNNs)进行了比较，经过15个epochs训练后，本发明所提出的方法准确率可达0.97，测试Loss收敛在0.16。本发明可以集成到水产养殖视觉系统中，指导养殖用户规划饲养策略。

技术领域

本发明属于农业信息技术领域，涉及鱼类行为状态分析方面，如对鱼类摄食行为的分析，尤其涉及一种基于改进RepVGG的鱼类摄食行为状态识别方法。

背景技术

水产养殖是我国农业生产的重要组成部分。近年来，工厂化水产养殖得到了快速的发展，已经成为水产养殖主流模式。水产动物的视觉属性不仅可以反映其生长状况，也是养殖者进行水环境监测、精准投喂和提高生产效率的主要信息来源。但传统的人工投喂方式，在高密度﹑集约化的工厂化养殖环境下，饲料投喂用量是土塘养殖的十几倍甚至是数十倍，大量的残饵粪便极易造成养殖水质的严重污染。饲料残饵、养殖动物的粪便在水中分解出过量的氨氮、亚硝酸盐﹑硫化氢等有害物质,是造成养殖经济动物中毒死亡的直接原因，所以饵料的浪费导致水质的污染会降低工厂化水产养殖的经济效益。分析鱼群摄食行为、综合考量不同水质下的行为状态，确定鱼群的摄食状态指导精准投喂，既可以满足鱼类健康生长的需求，又不过量投饵，是当前水产养殖过程中急需解决的问题，同时也是水产养殖转型升级、提质增效的必由之路。

利用计算机视觉的相关方法进行鱼类运动行为状态分析是实现智慧水产养殖的重要技术之一。相比基于声学或基于传感器的鱼类运动行为状态分析方法，基于计算机视觉的鱼类运动行为状态分析方法有实时性、非接触式、设备需求简单、不影响鱼类正常行为活动等优点。此外，计算机图像与视频信息还具有丰富的可解释性，可以通过对数据的分析获取肉眼不可见的深度语义信息，因此，基于计算机视觉技术的鱼类运动行为状态分析具有广阔的应用前景。

现有技术中，深度学习方法已广泛应用于鱼类物种分类、行为分析和轨迹跟踪、活鱼识别和水质预测。在现有的深度学习方法中，卷积神经网络(CNN)模型近年来得到广泛应用，已广泛应用于图像识别领域。例如，运用卷积神经网络识别判断鱼类的摄食行为状态，研究表明，对于罗非鱼的摄食和非摄食两种状态均有较高的识别精度。为了进一步提高识别准确率，将3D-CNN和RNN相结合通过时间和空间流分别捕获空间和时间序列信息，对鱼类的两种摄食状态进行识别。为了对鱼类摄食状态进行更加精准的识别，有学者将LeNet5框架和卷积神经网络(CNN)相结合用于检测鱼类强、中、弱、无四个级别的摄食状态，为研究者提供了一个对鱼群摄食状态识别的更细致且更精确的方向。

然而，现有的鱼类运动行为状态分析方法中，绝大多数运动参数的提取算法都是以多目标跟踪为前提，传统的跟踪模型通常基于运动学方法进行算法设计。例如粒子滤波、卡尔曼滤波、核相关滤波算法等基于运动学的目标跟踪方法在鱼类跟踪中有着广泛的应用。虽然上述模型在鱼类跟踪中总体性能有所提高，但在最终性能中，跟踪和检测的任何子模型的精度都会降低，不仅网络无法实现共享，计算速度难以突破，而且无法处理鱼群中鱼类互相遮挡等复杂环境下的问题。

运用传统跟踪方法，主要包括检测器阶段和跟踪器阶段。在检测器阶段，由于水下杂物影响较少，鱼体目标显著，差分类方法广泛应用于鱼体识别：包括背景差分法、帧间差分法、综合差分法等。现有技术中，部分研究人员采用高斯混合模型进行背景差分，使用高斯概率密度函数进行目标区分，该方法对慢速移动的鱼类目标有较好的处理效果，但计算成本较高。在跟踪器阶段，鱼类目标以滤波系列方法应用为主，而常见的滤波类方法如粒子滤波、卡尔曼滤波等。现有技术中，已有研究人员提出基于粒子滤波的鱼类跟踪方法，采用自适应分区通过全局最近邻的方法进行数据关联，但该方法鲁棒性较差，在复杂环境下的错检明显。