基于圖像識別的魚類自動分類技術領域的鳙魚分類方法

本發明屬于圖像識別與分類技術領域，具體涉及一種基于knn的鳙魚分類方法。

背景技術：

水庫凈水和漁業具有良好的生態環境效益、社會公共效益和產業經濟效益。 與池塘養殖的魚相比，水庫魚比水庫自由飼養的魚品質更好，營養更豐富，味道更好，因此價格也比池塘養殖的魚高很多。 然而，在魚市場上，卻存在水庫魚和養殖魚混用的現象。 消費者往往愿意支付高價購買的是池塘養殖的魚。 為了維護消費者權益，解決消費者對水庫魚類和水產品質量的疑慮，需要建立水庫魚類大數據追溯系統。 消費者在購買水庫魚時，可以利用溯源系統對購買的水庫魚進行驗證。 可以進行溯源，徹底解除消費者對水庫魚產品質量的擔憂。

溯源系統需要對水庫魚、池塘魚進行識別和分類； 目前相關技術在水產品機器學習領域的應用包括專利申請號cn2的“基于深度神經網絡的死魚識別方法及預警系統”； “基于深度卷積神經網絡的魚類圖像分類方法”專利申請號cn2.1； 專利申請號cn2.2“一種基于彩色圖像和卷積神經網絡技術的魷魚自動分類方法”； 專利申請號cn2.6為“一種基于圖像識別的魚類自動分選系統”。 上述現有技術中，尚無研究人員利用圖像識別和分類技術對同種魚類因生長環境不同而產生的形態特征差異進行識別和分類，并將其應用到魚產品中。 在追溯系統中。

技術實現要素：

本發明的目的是提供一種基于KNN的鳙魚分類方法，能夠提取兩種生長環境下鳙魚的不同形態特征，然后根據提取的形態特征的差異進行識別和分類。

為實現上述技術目的，本發明采用的技術方案如下：

一種基于knn的鳙魚分類方法，包括以下步驟，

a1. 采集幾條鳙魚的圖像數據并存入后臺數據庫；

a2。 將后臺數據庫中的鳙魚圖像數據分類為水庫生長的鳙魚和池塘養殖的鳙魚，并分為訓練集和測試集；

a3. 將后臺數據庫中的若干圖像數據轉換為向量，并對圖像數據進行標準化；

a4. 使用訓練集圖像作為卷積神經網絡的輸入提取特征；

a5. 構建 knn 分類器對鳙魚進行分類。

進一步地，所述knn分類器對鳙魚進行分類的方法包括以下步驟：

b1. 計算測試數據特征與每個訓練數據特征之間的距離；

b2. 按照步驟b1計算出的距離遞增順序排序，然后選擇距離最小的k個特征；

b3. 將k個近鄰訓練數據中出現次數最多的類別作為輸入的新鳙魚圖片實例的類別；

b4. 通過分析比較待分類鳙魚圖像與分類后鳙魚圖像特征距離的大小，對鳙魚進行分類。

進一步地，在步驟a4中進行特征提取時，進行了3??次特征提取。 第一個卷積提取低級特征，第二個卷積提取中級特征，第三個卷積提取高級特征。 特征。 通過對鳙魚圖像特征的不斷提取和集中，最終可以獲得比較高層次的特征，最終得到可靠、簡潔的特征； 此時，在映射特征空間中，有兩個特征，一是水庫中生長的魚類的圖像特征，二是池塘養殖的魚類的圖像特征。

進一步地，步驟b1中計算距離的公式為歐式距離測量方法，具體為：

給定鳙魚訓練集： = (x(1), x(2), x(3),..., x(m)),

鳙魚測試集：xtest=(x′(1), x′(2), x′(3),…, x′(n)),

那么歐氏距離定義為：

進一步地，在步驟b2中選擇最小的k個特征后，首先選擇較小的k值，然后進行交叉驗證以選擇最優的k值。 當k值較小時，整體模型會變得復雜，對附近的訓練數據點更加敏感，容易出現過擬合； k值較大時，模型會趨于簡單，距離較遠的訓練數據點也會起到預測作用，容易出現欠擬合。

進一步地，步驟b3的具體方法是在步驟b2中確定k個特征類別的出現頻率。 對于離散分類，返回步驟b2中k個點出現最頻繁的類別進行預測分類。 對于回歸分類，返回步驟b2中k個特征的加權值作為預測值。

進一步的，步驟b4中的具體分類方法包括以下步驟：

c1. 消費者用相機拍攝鳙魚的照片；

c2. 將照片上傳至后端數據庫作為鳙魚圖像進行識別和分類；

c3. 后臺數據庫取出照片，對照片進行特征提取，然后將提取的特征送入knn分類器進行分類處理，得到分類結果；

c4. 將分類結果返回給消費者，告訴消費者購買的鳙魚是否是水庫養殖的魚。

本發明的有益效果如下：

1、本發明的鳙魚分類方法應用于溯源系統。 使用時，消費者只需通過手機將購買的鳙魚拍照上傳到系統中，系統中就會通過本發明的算法進行分析識別。 可以區分消費者購買的鳙魚是水庫生態鳙魚還是池塘精養鳙魚，徹底消除消費者對產品質量的擔憂。

2、本發明整個鳙魚識別分??類方法簡單方便，支持增量學習，對鳙魚表面噪聲和環境的抗干擾能力強，分類精度高。 有效維護了消費者權益，解決了他們對水庫魚類和水產品質量的疑慮。

附圖說明

圖1為本發明基于knn的鳙魚分類方法采集鳙魚圖像數據的示意圖；

圖2是基于knn的鳙魚分類方法的鳙魚分類總體流程圖。

詳細方式

為了使本領域的技術人員更好地理解本發明，下面結合實施例對本發明的技術方案進行進一步說明。

一種基于knn的鳙魚分類方法，如圖1-2所示，

包括以下步驟：

a1. 數據預處理

1、導入數據庫：首先進行大量鳙魚圖像數據采集工作，存入后臺數據庫，后臺數據庫有鳙魚圖片10892張。 然后將這些圖片從數據庫中導出，構建訓練數據集；

2、導出數據集：數據集包含10892張圖片，分為水庫生長的鳙魚和池塘養殖的鳙魚兩類。 訓練集包含9664張圖片，測試集包含928張圖片；

3. 將數據集轉換為向量并對其進行歸一化。

a2。 特征提取

使用訓練集圖像作為卷積神經網絡的輸入，不斷提取特征。 第一個卷積可以提取邊緣和曲線等低級特征，第二個卷積可以提取中級特征。 ：由曲線和直線組合形成的多邊形特征。 第三個卷積可以提取高級特征：頭部、尾柄、胸鰭和背鰭的特征。 通過對鳙魚圖像特征的不斷提取和集中，最終可以獲得較高層次的特征，最終得到可靠、簡潔的特征。 此時鳙魚圖片，映射特征空間中存在兩類特征，一類是水庫中生長的魚的圖像特征，另一類是池塘中生長的魚的圖像特征。

a3. 構建knn分類器

1.定義距離計算方法：選擇歐式距離來衡量距離，計算測試數據特征與每個訓練數據特征之間的距離。

給定鳙魚訓練集：

=(x(1),x(2),x(3),…,x(m)),

鳙魚測試集：

xtest=(x′(1),x′(2),x′(3),…,x′(n)),

這里的鳙魚訓練集或測試集是鳙魚圖片輸出到卷積神經網絡后得到的圖像特征集。 x(m)為第m張鳙魚訓練集圖片的特征； x'(n)為第n張鳙魚測試集圖像的特征； x1(m)為m條鳙魚訓練集圖像的第一個特征； x'1(n)是第n張鳙魚訓練集圖像的第一個特征。

那么歐氏距離定義為：

這個距離可以衡量第n張測試集圖像和第m張訓練集圖像之間的相似度。

2. k值的選擇：計算出測試數據特征與每個訓練數據特征之間的距離后，首先按距離升序排序，然后選擇距離最小的k個特征。 一般先選擇較小的k值，然后進行交叉驗證，選擇最優的k值。 當k值較小時，整體模型會變得復雜，對附近的訓練數據點更加敏感，并且容易出現過擬合。 當k值較大時，模型會趨于簡單。 這時，遠處的訓練數據點也會起到預測作用，很容易出現欠擬合的情況。

3、分類決策規則：該分類決策規則是將k個近鄰訓練數據中出現次數最多的類別作為輸入的新鳙魚圖片實例的類別。 即首先確定前k個特征所屬類別的出現頻率。 對于離散分類，返回前k個點出現次數最多的類別進行預測分類； 對于回歸分類，返回前k個特征的加權值作為預測值。

a4. 鳙魚的分類

通過分析比較待分類鳙魚圖像與分類后鳙魚圖像之間特征距離的大小，進行鳙魚分類。

將上述鳙魚分類方法的計算機程序放入微信小程序中，

1、消費者收到購買的鳙魚后，打開手機，進入微信小程序，點擊識別按鈕。 手機攝像頭將被調用，消費者將鏡頭對準鳙魚并拍照。

2、這張照片作為鳙魚圖片進行識別分類，微信小程序自動將該圖片上傳到后臺數據庫。

3、后臺取出這張圖像，提取其特征，然后將特征送入knn分類器進行處理，得到分類結果。

4、后端將分類結果返回給消費者，告訴消費者購買的鳙魚是否是水庫養殖的魚。

該方法用于對鳙魚部位進行分類。 該方法在整個溯源識別過程中，提取了兩種生長環境下鳙魚的不同形態特征，然后進行分類。 這時候就需要設計這樣的分類器了。 當消費者對購買的鳙魚進行拍照并識別后，照片就會進入后臺系統。 該分類器用于識別算法的分類階段。 分類器將輸入圖像分為兩類：水庫生長的魚和池塘飼養的魚。 打消消費者對該產品質量的疑慮。

以上是對本發明提供的一種基于knn的鳙魚分類方法的詳細介紹。 對具體實施例的描述僅僅用于幫助理解本發明的方法及其核心思想。 需要說明的是，本領域的技術人員在不脫離本發明原理的情況下，可以對本發明進行若干改進和變型，這些改進和變型也屬于本發明權利要求的范圍。

技術特點：

1、一種基于knn的鳙魚分類方法，其特征在于：包括以下步驟，

a1. 采集幾條鳙魚的圖像數據并存入后臺數據庫；

a2。 將后臺數據庫中的鳙魚圖像數據分類為水庫生長的鳙魚和池塘養殖的鳙魚，并分為訓練集和測試集；

a3. 將后臺數據庫中的若干圖像數據轉換為向量，并對圖像數據進行標準化；

a4. 使用訓練集圖像作為卷積神經網絡的輸入提取特征；

a5. 構建 knn 分類器對鳙魚進行分類。

2.根據權利要求1所述的一種基于knn的鳙魚分類方法，其特征在于：knn分類器對鳙魚進行分類的方法包括以下步驟:

b1. 計算測試數據特征與每個訓練數據特征之間的距離；

b2. 按照步驟b1計算出的距離遞增順序排序，然后選擇距離最小的k個特征；

b3. 將k個近鄰訓練數據中出現次數最多的類別作為輸入的新鳙魚圖片實例的類別；

b4. 通過分析比較待分類鳙魚圖像與分類后鳙魚圖像特征距離的大小，對鳙魚進行分類。

3.根據權利要求2所述的一種基于knn的鳙魚分類方法，其特征在于：步驟a4中進行特征提取時，進行三次特征提取，第一次卷積提取低級特征。 第二個卷積提取中層特征，第三個卷積提取高層特征。

4.根據權利要求3所述的一種基于knn的鳙魚分類方法，其特征在于：步驟b1中計算距離的公式為歐氏距離測量法，具體來說，

給定鳙魚訓練集： = (x(1), x(2), x(3),..., x(m)),

鳙魚測試集：xtest=(x′(1), x′(2), x′(3),…, x′(n)),

那么歐氏距離定義為：

x(m)為第m張鳙魚訓練集圖像的特征； x'(n)為第n張鳙魚測試集圖像的特征； xl(m)為第m個鳙魚訓練集圖像的第l個特征； x'l(n)是第n張鳙魚訓練集圖片的第l個特征。

5.根據權利要求4所述的一種基于knn的鳙魚分類方法，其特征在于：步驟b2中選擇最小的k個特征后，首先選擇較小的k值，然后進行交叉驗證，選擇最佳的k值價值。

6.根據權利要求5所述的一種基于knn的鳙魚分類方法，其特征在于:步驟b3的具體方法是確定步驟b2中k個特征所在類別的出現頻率，并進行離散分類， 在步驟b2中，使用出現次數最多的k個點的類別進行預測分類。 對于回歸分類，返回步驟b2中k個特征的加權值作為預測值。

7.根據權利要求6所述的一種基于knn的鳙魚分類方法，其特征在于:步驟b4中的具體分類方法包括以下步驟:

c1. 消費者用相機拍攝鳙魚的照片；

c2. 將照片上傳至后端數據庫作為鳙魚圖像進行識別和分類；

c3. 后臺數據庫取出照片，對照片進行特征提取，然后將提取的特征送入knn分類器進行分類處理，得到分類結果；

c4. 將分類結果返回給消費者，告訴消費者購買的鳙魚是否是水庫養殖的魚。

技術總結

本發明屬于圖像識別與分類技術領域，具體涉及一種基于KNN的鳙魚分類方法，包括以下步驟：A1． 采集幾條鳙魚的圖像數據并存儲在后臺數據庫中； A2。 將鳙魚保存在后臺數據庫中圖像數據分為水庫養殖鳙魚和池塘養殖鳙魚，分為訓練集和測試集； A3。 將后臺數據庫中的若干圖像數據轉換為向量，并對圖像數據進行標準化； A4。 將訓練集圖片作為卷積神經網絡的輸入，用于特征提取； A5。 構建 KNN 分類器對鳙魚進行分類。 本發明可以提取鳙魚在兩種生長環境下的不同形態特征，然后根據提取的形態特征的差異進行識別和分類。

技術研發人員：朱漢春； 王凱； 田慶兵; 高敏; 熊慶宇; 杜思雨; 羅輝; 陳健; 肖傳明

受保護技術使用者：朱漢春； 田慶兵; 王凱； 肖傳明

技術研發日：2020.03.23

技術公告日期：2020年08月18日

Tags：分類器 特征提取 分類數據