一種深海魚類圖像分類識別方法，值得收藏！

背景技術：

我國是世界主要海洋國家之一，海域面積超過300萬平方公里。 我國廣闊的海域孕育著極為豐富的生物資源。 據統計，我國海洋生物資源達20278種，其中魚類3000多種。 種類，約占世界魚類種類的20%，但我國目前海洋資源開發利用水平較低，海洋經濟發展總體水平不高；

魚類鑒定是海洋魚類資源檢測的第一步，是開發利用海洋資源的重要依據。 然而，由于深海魚類的形狀和大小不同，任務復雜度高于其他識別任務。 魚的種類很多，而同一種魚的不同種類通常具有相似的形狀、大小、紋理顏色，這進一步增加了魚類識別的難度。 因此，開展深海高新技術研究，特別是深海魚類相關技術研究，對于海洋生物資源的有效開發利用和我國的長遠發展具有重大的戰略意義。

技術實現要素：

本發明的目的是提供一種深海魚類圖像分類識別方法，以解決上述背景技術中提出的問題。

為了實現上述目的，本發明提供如下技術方案：一種深海魚類圖像分類識別方法，包括以下步驟：

步驟1、根據深海魚類的鰭位置信息、魚體尺寸信息、魚尾形狀信息和體色信息，建立魚類狀態多源信息數據庫，將魚的狀態相似度劃分為0-1；

步驟2：基于BP算法建立三層神經網絡深海魚類，包括輸入層、隱藏層和輸出層； 輸入層：接受外部信號和數據，綜合魚鰭位置信息量、魚體大小信息量、魚體信息量。 以尾形信息和體色信息指標作為輸入層的節點；

輸出層：采用ANN網絡中的bp網絡模型，通過bp網絡神經模型將定性轉化為定量輸出，并對設定的輸出結果進行綜合評價；

隱藏層：基于神經元數算法構建網絡，建立簡單高效的模型；

步驟3：根據神經網絡工具設置各種參數，并對神經網絡進行訓練和驗證；

步驟4：建立圖像采集模塊； 用于獲取深海魚類圖像數據，然后將捕獲的圖像數據上傳到多源信息數據庫進行進一步處理；

步驟5：將魚鰭位置信息、魚大小信息、魚尾形狀信息和體色信息的數據引入訓練好的神經網絡中，得到p1、p2、p3和p4的相關值；

步驟6：根據得到的p1、p2、p3、p4的值進行計算，得到本次魚類評估的各個狀態量的具體值；

步驟7：輸入本次狀態評估的各個狀態量的具體值，輸出綜合評估結果p；

步驟8：將得到的結果p輸入多源信息數據庫中，對深海魚類進行分類識別。

優選地，狀態相似度可以分為五種狀態：0-0.2分為i度相似度，0.2-0.4分為ii度相似度，0.4-0.6分為iii度相似度，0.6-0.8分為v度相似度。相似度，0.8-1分為vi個相似度。

優選地，步驟三中，所述參數為校正率、訓練次數和訓練目標誤差。

優選地，步驟四中需要對圖像進行預處理。 對采集到的魚圖像進行預處理后，讀取圖像，調整大小并轉換數據。

優選地，步驟四中，圖像采集模塊包括：水下攝像設備、儀器接口、水下連接模塊、數據緩沖轉發模塊和分解成幀預處理模塊。

優選地，在步驟八中，多源信息數據庫獲取結果并顯示，例如：魚a＝0.5，魚b＝0.63，魚c＝0.72，魚d＝0.82。

本發明提供了一種深海魚類圖像分類識別方法。 本發明的有益效果是：采用多指標評分體系，為魚類多指標評分評價體系提供標準，制定了綜合評分分級方法。 標準中，根據深海魚類四類信息的特點，分別制定了魚類類別狀態評估的四類信息評分規則，并基于神經網絡的評分作為評估算法。四類信息得到綜合得分，可以作為魚類分類的依據。 在此基礎上，綜合各種數據和參數，全面、準確地評估深海魚類的類別，為深海魚類的分類提供科學依據，可以有效開發利用深海魚類資源和具有長遠發展的戰略意義。

詳細方式

下面結合本發明實施例，對本發明實施例的技術方案進行清楚、完整地描述。 顯然，所描述的實施例僅僅是本發明部分實施例，而不是全部實施例。 基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明提供的技術方案是：一種深海魚類圖像分類識別方法，包括以下步驟： 步驟一、根據深海魚類的鰭位置信息、魚體大小信息、魚尾形狀信息和體色信息-海魚 定量建立魚類狀況多源信息數據庫，將魚類狀況相似度劃分為0-1。 狀態相似度可分為五種狀態：0-0.2分為i度相似度，0.2-0.4分為ii度相似度。 相似度，0.4-0.6劃分為iii相似度，0.6-0.8劃分為v相似度，0.8-1劃分為vi相似度； 步驟2：基于bp算法建立三層神經網絡，包括輸入層、隱含層和輸出層； 輸入層：接受外部信號和數據，以鰭位置信息、魚尺寸信息、魚尾形狀信息和體色信息等指標作為輸入層的節點。 輸出層：利用ann網絡中的??bp網絡模型，通過bp網絡神經模型將定性轉化為定量輸出，并對設定的輸出結果進行綜合評價； 隱藏層：基于神經元數算法構建網絡，建立簡單高效的模型； 步驟3.根據神經網絡工具設置各種參數，并對神經網絡進行訓練和驗證。 參數為校正率、訓練次數和訓練目標誤差； 步驟4：建立圖像采集模塊； 用于獲取深海魚類圖像數據，然后將捕獲的圖像數據上傳到多源信息數據庫進行進一步處理。 圖像需要進行預處理。 對采集到的魚圖像進行預處理后，讀取圖像，調整大小并轉換數據。 圖像采集模塊包括：水下攝像設備、儀器接口、水下連接模塊、數據緩存與轉發模塊以及分解成幀預處理模塊； 步驟5：分離出魚鰭位置信息、魚體大小信息、魚尾形狀信息和體色信息的數據，將其引入到訓練好的神經網絡中，得到p1、p2、p3和的相關值p4; 步驟6：根據得到的p1、p2、p3、p4的值進行計算，得到本次魚類評估的各個狀態數量的具體值； 步驟7：輸入本次狀態評估的各個狀態量的具體值，輸出綜合評估結果p； 步驟8：將得到的結果p輸入多源信息數據庫對深海魚類進行分類識別，多源信息數據庫獲取結果并顯示，如：魚a=0.5，魚b=0.63，魚c=0.72，魚d=0.82。

盡管已經示出和描述了本發明的實施例，但是本領域普通技術人員將理解，在不脫離本發明的原理和精神的情況下，可以對這些實施例進行各種改變、修改和替換。 和修改，本發明的范圍由所附權利要求及其等同物限定。

技術特點：

1、一種深海魚類圖像分類識別方法，其特征在于，包括以下步驟：

步驟1.根據深海魚類的鰭位置信息、魚體尺寸信息、魚尾形狀信息和體色信息建立魚類狀態多源信息數據庫，將魚的狀態相似度劃分為0-1；

步驟2：建立基于BP算法的三層神經網絡，包括輸入層、隱含層和輸出層； 在哪里

輸入層：接受外部信號和數據，以鰭位置信息、魚體大小信息、魚尾形狀信息、體色信息等指標作為輸入層的節點；

輸出層：采用ANN網絡中的bp網絡模型，通過bp網絡神經模型將定性轉化為定量輸出，并對設定的輸出結果進行綜合評價；

隱藏層：基于神經元數算法構建網絡，建立簡單高效的模型；

步驟3：根據神經網絡工具設置各種參數，并對神經網絡進行訓練和驗證；

步驟4：建立圖像采集模塊； 用于獲取深海魚類圖像數據，然后將捕獲的圖像數據上傳到多源信息數據庫進行進一步處理；

步驟5：將魚鰭位置信息、魚大小信息、魚尾形狀信息和體色信息的數據引入訓練好的神經網絡中，得到p1、p2、p3和p4的相關值；

步驟6：根據得到的p1、p2、p3、p4的值進行計算，得到本次魚類評估的各個狀態量的具體值；

步驟7：輸入本次狀態評估的各個狀態量的具體值，輸出綜合評估結果p；

步驟8：將得到的結果p輸入多源信息數據庫中，對深海魚類進行分類識別。

2.根據權利要求1所述的一種深海魚類圖像分類識別方法，其特征在于：步驟一中，狀態相似度可分為五種狀態：0-0.2分為i度相似度，0.2-0.4分為i度相似度。將相似度劃分為ii，將0.4-0.6劃分為iii相似度，將0.6-0.8劃分為v相似度，將0.8-1劃分為vi相似度。

3.根據權利要求1所述的深海魚類圖像分類識別方法，其特征在于：步驟三中，所述參數為校正率、訓練次數和訓練目標誤差。

4.根據權利要求1所述的深海魚類圖像分類識別方法，其特征在于：步驟四中需要對圖像進行預處理，對采集到的魚類圖像進行預處理后讀取圖像。 、調整大小和數據轉換。

5.根據權利要求1所述的深海魚類圖像分類識別方法，其特征在于：步驟四中，所述圖像采集模塊包括：水下攝像設備、儀器接口、水下連接模塊、數據緩存。 轉發模塊又分解為幀預處理模塊。

6.根據權利要求1所述的深海魚類圖像分類識別方法，其特征在于：步驟八中，多源信息數據庫獲取結果并顯示，如：a魚＝0.5，b魚＝0.63 ，C魚=0.72，D魚=0.82。

技術總結

本發明公開了一種深海魚類圖像分類識別方法，其特征在于，包括以下步驟： 步驟一：根據深海魚類的鰭位置信息、魚體大小信息、魚尾形狀信息和體色信息-海魚 定量建立魚類狀況多源信息數據庫，將魚類狀況相似度劃分為0-1； 步驟2、建立基于BP算法的三層神經網絡； 步驟3、基于神經網絡工具進行設置準備各項參數，并對神經網絡進行訓練和驗證。 本發明分別制定了魚類類別狀態評估的四類信息評分規則，并以神經網絡為評估算法，結合四類信息的評分得到綜合得分，作為魚類分類的依據。并集成各種類型的數據和參數。 全面準確評估深海魚類種類，為深海魚類分類提供科學依據，有效開發利用深海魚類資源，實現長遠發展的戰略意義。

技術研發人員：劉建明； 劉晃; 任凱琪

受保護技術使用者：桂林電子科技大學

技術研發日：2020.05.07

技術公告日期：2020年8月11日

Tags：神經網絡模型 類圖 分類數據 深海生物