一种基于Unet和BP神经网络的鱼类数量估计方法

技术领域

本发明涉及鱼类养殖技术领域，特别指一种基于Unet和BP神经网络的鱼类数量估计方法。

背景技术

在鱼类养殖过程中，掌握养殖鱼类的准确数量，对合理管控养殖密度、提高养殖存活率、降低饵料系数和节约养殖成本有重要意义，是实现鱼类精准、高效、绿色养殖的关键参数。

机器视觉技术作为一种非入侵式、经济且高效的方法，已被应用于鱼类数量的估计上，这种方法能够在不影响鱼类正常生长发育的前提下，用较快的速度对鱼类的数量进行估计。但是，该方法对图像质量要求较高，例如图像要清晰、噪声少，还要求鱼类和养殖环境的对比度明显，而真实的养殖条件很难满足这些要求，导致鱼类数量估计的准确性欠佳。

因此，如何提供一种基于Unet和BP神经网络的鱼类数量估计方法，实现提升鱼类数量估计的准确性，成为一个亟待解决的技术问题。

发明内容

本发明要解决的技术问题，在于提供一种基于Unet和BP神经网络的鱼类数量估计方法，实现提升鱼类数量估计的准确性。

本发明是这样实现的：一种基于Unet和BP神经网络的鱼类数量估计方法，包括如下步骤：

步骤S10、采集多批的鱼类摄食视频，基于所述鱼类摄食视频构建第一图像集；

步骤S20、创建并训练一Unet分割模型，利用所述Unet分割模型对第一图像集中的各图像的摄食鱼群区域进行分割，得到第二图像集；

步骤S30、提取所述第二图像集中各图像的摄食鱼群的面积特征以及疏密度特征；

步骤S40、获取鱼的平均规格，以所述面积特征、疏密度特征以及平均规格为参数，基于BP神经网络创建一鱼类数量估计模型；

步骤S50、对所述鱼类数量估计模型进行训练和测试；

步骤S60、利用所述鱼类数量估计模型进行鱼类数量估计。

进一步地，所述步骤S10具体为：

采集多批的鱼类摄食视频，以1秒为单位对各所述鱼类摄食视频进行分帧，得到若干张图像；设定一图像质量标准，基于所述图像质量标准对各图像进行筛选，以构建第一图像集。

进一步地，所述步骤S20中，所述Unet分割模型包括一用于下采样的编码器、一用于上采样的解码器以及一用于将特征图的通道数减少为2以输出分割图像的第一卷积层；

所述编码器包括依次连接的四个编码模块，各所述编码模块均包括两个卷积核大小为3×3、步长为1的第二卷积层，一个池化核大小为3×3、步长为2的最大池化层；

所述解码器包括依次连接的四个解码模块，各所述解码模块均包括一个卷积核大小为2×2的第三卷积层、一个用于特征图串联的拼接单元、两个卷积核大小为3×3的第四卷积层；

所述第一卷积层的卷积核大小为1×1；

所述解码器通过跳跃连接融合浅层特征和深层特征。

进一步地，所述步骤S20中，所述Unet分割模型的损失函数的公式为：

其中，

进一步地，所述步骤S30中，所述面积特征的提取过程为：

利用所述Unet分割模型对第二图像集中的各图像进行分割，得到仅包含前景鱼群像素和背景像素的二值化分割图像，基于所述前景鱼群像素计算面积特征：

S＝count{i|P

其中，S表示面积特征，即图像中摄食鱼群区域的像素点个数；P

进一步地，所述步骤S30中，所述疏密度特征的提取过程为：

利用Canny边缘检测算法提取所述第二图像集中各图像的疏密度特征：

Q＝4πS/L

其中，Q表示疏密度特征值；S表示面积特征；L表示图像边缘的像素点个数。

进一步地，所述步骤S40中，所述鱼类数量估计模型的输入层参数为面积特征、疏密度特征以及平均规格，输出层参数为鱼类数量，且h＝2M+1，h表示鱼类数量估计模型的隐含层的节点个数，M表示输入层参数的个数。

进一步地，所述步骤S50中，所述鱼类数量估计模型训练前，对训练数据进行归一化处理，并将所述鱼类数量估计模型训练过程中产生的预测结果的结果误差进行反向传播，以更新所述鱼类数量估计模型中各神经元的权值和阈值。

本发明的优点在于：

通过以1秒为单位对采集的各鱼类摄食视频进行分帧得到若干张图像，基于设定的图像质量标准对各图像进行筛选以构建第一图像集，利用创建的Unet分割模型对第一图像集中的各图像的摄食鱼群区域进行分割以得到第二图像集，接着提取第二图像集中各图像的摄食鱼群的面积特征以及疏密度特征，以面积特征、疏密度特征以及获取的鱼的平均规格为参数，基于BP神经网络创建鱼类数量估计模型，对鱼类数量估计模型进行训练和测试之后，利用鱼类数量估计模型进行鱼类数量估计，即通过图像质量标准对各图像进行筛选，通过Unet分割模型分割出图像中摄食鱼群的区域，且Unet分割模型通过跳跃连接融合浅层特征和深层特征使图像分割更加准确，鱼类数量估计模型训练前对训练数据进行归一化处理以消除不同量纲数据对训练的影响，通过BP神经网络创建鱼类数量估计模型来学习面积特征、疏密度特征以及平均规格之间的高层语义信息，不易受鱼类的大小、种类以及养殖环境中光照不均匀等因素的影响，具有更强的鲁棒性，最终极大的提升了鱼类数量估计的准确性。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种基于Unet和BP神经网络的鱼类数量估计方法的流程图。

图2是本发明Unet分割模型的结构示意图。

图3是本发明Unet分割模型训练损失变化的示意图。

图4是本发明鱼类数量估计模型的结构示意图。

图5是本发明鱼类数量估计模型训练和测试的误差变化示意图。

图6是本发明鱼类数量估计模型训练和测试的输出拟合曲线示意图。

具体实施方式

本申请实施例中的技术方案，总体思路如下：通过图像质量标准对各图像进行筛选，通过Unet分割模型分割出图像中摄食鱼群的区域，且Unet分割模型通过跳跃连接融合浅层特征和深层特征以提升图像分割准确性，鱼类数量估计模型训练前对训练数据进行归一化处理以消除不同量纲数据对训练的影响，通过BP神经网络创建鱼类数量估计模型来学习面积特征、疏密度特征以及平均规格之间的高层语义信息，以提升鱼类数量估计的准确性。

请参照图1至图6所示，本发明一种基于Unet和BP神经网络的鱼类数量估计方法的较佳实施例，包括如下步骤：

步骤S10、计算机通过监控相机采集多批的鱼类摄食视频，基于所述鱼类摄食视频构建第一图像集；

步骤S20、创建并训练一Unet分割模型，利用所述Unet分割模型对第一图像集中的各图像的摄食鱼群区域进行分割，得到第二图像集；

所述Unet分割模型在训练过程中，每迭代完一个epoch就记录一下模型损失值，其变化趋势如图3所示，从图3可知，训练过程中模型损失值下降很快，在迭代70个epoch之前有持续下降趋势，超过70个epoch之后基本趋于稳定，证明所述Unet分割模型已经达到收敛；

步骤S30、提取所述第二图像集中各图像的摄食鱼群的面积特征以及疏密度特征；所述疏密度特征用于体现摄食鱼群的密集程度；

步骤S40、获取鱼的平均规格，以所述面积特征、疏密度特征以及平均规格为参数，基于BP神经网络创建一鱼类数量估计模型；

步骤S50、对所述鱼类数量估计模型进行训练和测试；

所述鱼类数量估计模型的训练和测试的误差变化如图5所示，从图5中可以看出，在训练迭代至第33个epoch时，在测试集上取得了最佳结果，此时网络训练收敛，并保存好模型；

步骤S60、利用所述鱼类数量估计模型进行鱼类数量估计。

所述步骤S10具体为：

采集多批的鱼类摄食视频，以1秒为单位对各所述鱼类摄食视频进行分帧，得到若干张图像；设定一图像质量标准，基于所述图像质量标准对各图像进行筛选，以构建第一图像集。

所述步骤S20中，所述Unet分割模型包括一用于下采样的编码器、一用于上采样的解码器以及一用于将特征图的通道数减少为2以输出分割图像的第一卷积层；所述编码器用于提取图像的语义特征，所述解码器用于恢复图像的空间位置信息；

所述编码器包括依次连接的四个编码模块，各所述编码模块均包括两个卷积核大小为3×3、步长为1的第二卷积层，一个池化核大小为3×3、步长为2的最大池化层；

所述解码器包括依次连接的四个解码模块，各所述解码模块均包括一个卷积核大小为2×2的第三卷积层、一个用于特征图串联的拼接单元、两个卷积核大小为3×3的第四卷积层；

所述第一卷积层的卷积核大小为1×1；

所述解码器通过跳跃连接融合浅层特征和深层特征，有助于还原下采样过程损失的图像细节信息，使得到的分割结果更加准确。

所述步骤S20中，所述Unet分割模型的损失函数的公式为：

其中，

所述步骤S30中，所述面积特征的提取过程为：

利用所述Unet分割模型对第二图像集中的各图像进行分割，得到仅包含前景鱼群像素和背景像素的二值化分割图像，基于所述前景鱼群像素计算面积特征：

S＝count{iP

其中，S表示面积特征，即图像中摄食鱼群区域的像素点个数；P

所述步骤S30中，所述疏密度特征的提取过程为：

利用Canny边缘检测算法提取所述第二图像集中各图像的疏密度特征：

Q＝4πS/L

其中，Q表示疏密度特征值；S表示面积特征；L表示图像边缘的像素点个数。

即使用Canny边缘检测算法提取图像中摄食鱼群的边缘，进而利用摄食鱼群边缘图像提取疏密度特征。

所述步骤S40中，所述鱼类数量估计模型的输入层参数为面积特征、疏密度特征以及平均规格，输出层参数为鱼类数量，且h＝2M+1，h表示鱼类数量估计模型的隐含层的节点个数，M表示输入层参数的个数，即h的取值为7，鱼类数量估计模型的结构为3-7-1。

由于鱼的平均规格不一致会对面积特征和疏密度特征造成影响，因此将平均规格作为输入层参数。

所述步骤S50中，所述鱼类数量估计模型训练前，对训练数据进行归一化处理，以消除不同量纲数据对训练的影响，并将所述鱼类数量估计模型训练过程中产生的预测结果的结果误差进行反向传播，以更新所述鱼类数量估计模型中各神经元的权值和阈值，进而提升所述鱼类数量估计模型的预测精度。

利用测试集中的数据对训练好的所述鱼类数量估计模型进行测试，测试结果如图6所示，其中图6(a)表示在训练阶段鱼类数量估计模型的预测值Y与实际值T的拟合曲线，从图中可知，拟合曲线的相关系数为0.983，说明本发明鱼类数量估计模型训练样本的预测值和实际值偏差很小。同样地，图6(b)表示在测试阶段鱼类数量估计模型的预测值Y与实际值T的拟合曲线，其相关系数也在0.98以上，为0.981，说明本发明鱼类数量估计模型可以较好地实现养殖鱼类的数量估计。

此外，还通过决定系数R

从表可知，决定系数R

综上所述，本发明的优点在于：

通过以1秒为单位对采集的各鱼类摄食视频进行分帧得到若干张图像，基于设定的图像质量标准对各图像进行筛选以构建第一图像集，利用创建的Unet分割模型对第一图像集中的各图像的摄食鱼群区域进行分割以得到第二图像集，接着提取第二图像集中各图像的摄食鱼群的面积特征以及疏密度特征，以面积特征、疏密度特征以及获取的鱼的平均规格为参数，基于BP神经网络创建鱼类数量估计模型，对鱼类数量估计模型进行训练和测试之后，利用鱼类数量估计模型进行鱼类数量估计，即通过图像质量标准对各图像进行筛选，通过Unet分割模型分割出图像中摄食鱼群的区域，且Unet分割模型通过跳跃连接融合浅层特征和深层特征使图像分割更加准确，鱼类数量估计模型训练前对训练数据进行归一化处理以消除不同量纲数据对训练的影响，通过BP神经网络创建鱼类数量估计模型来学习面积特征、疏密度特征以及平均规格之间的高层语义信息，不易受鱼类的大小、种类以及养殖环境中光照不均匀等因素的影响，具有更强的鲁棒性，最终极大的提升了鱼类数量估计的准确性。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。