(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221086289 9.2 (22)申请日 2022.07.20 (71)申请人 水电水利规划设计总院有限公司 地址 100120 北京市东城区安定门外大街 甲57号8层802、 80 3室， 9层902、 90 3室 申请人 中国电建集团中南勘测设计 研究院 有限公司 　 国家电投集团黄河上游水电开发有 限责任公司 　 水电水利规划设计总院 　 中国水利水电建 设工程咨询有限公 司 (72)发明人 顾洪宾　尹华政　冯麒宇　薛联芳　 张宜仁　刘洋　李益霖　章国勇　 李鹏　张全　王东胜　王超　(74)专利代理 机构 北京市盛峰律师事务所 11337 专利代理师 于国强 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度学习的鱼类资源快速识别方 法和系统 (57)摘要 一种基于深度学习的鱼类资源快速识别方 法和系统， 针对 所述原始图像文件进行鱼类图片 分割， 利用分割不准确的分割图像和经过监测后 对应的完整鱼类轮廓对图片分割模 型进行训练， 实现所述图片分割模型的迭代更新； 针对准确的 分割图像进行鱼类识别并分类， 利用识别不准确 的分割图像和校核修改后的识别结果对识别算 法模型进行训练， 实现所述识别算法模型的迭代 更新； 首先利用图片分割模型将原始图像文件按 照标定的鱼类声音分别对应分割成一整分割图 像； 再利用识别算法模型对每一张分割图像中的 鱼类进行长度识别和分类识别； 从而实现鱼类资 源的快速准确识别。 权利要求书1页 说明书5页 附图3页 CN 115100688 A 2022.09.23 CN 115100688 A 1.一种基于深度学习的鱼类资源快速识别方法， 其特 征在于， 包括 将视频文件和经 过相机标定后的鱼类标定文件相结合， 得到原 始图像文件； 针对所述原始图像文件进行鱼类图片分割， 并利用分割不准确的分割图像和经过监测 后对应的完整鱼类 轮廓对图片分割模型进行训练， 实现所述图片分割模型的迭代更新； 针对经过所述图片分割 模型分割准确的分割图像进行鱼类识别并分类， 利用识别不准 确的分割图像和校核修改后的识别结果对识别算法模型进 行训练， 实现所述识别算法模型 的迭代更新； 从而实现鱼类资源的快速识别。 2.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 还包括 对准确分割的分割图像中的鱼类进行长度识别： 对于经过所述图片分割模 型分割准确的分 割图像中的鱼类体型进 行矫正， 从而根据图片与真实鱼类体型的比例， 通过图片的像素， 换 算得到对应鱼类的真实尺寸。 3.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 所述视 频文件和所述标定文件相结合得到原始图像文件的过程包括颜色校正、 镜头校正和透视校 正。 4.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 所述图 像分割模型的网络结构为Detectron2， 包括backbone、 rpn和roi_hea ds； 所述backbone提取 所述原始图像文件中的鱼类特征的关键信息； 通过rpn判断所述原始图像文件中可能存在 鱼类的目标区域； 所述roi_heads通过所述backbone中提取的鱼类特征和所述rpn中得到目 标区域的坐标 得到预测的图片分割结果。 5.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 图像分 割还包括计算颜色梯度法： 在鱼类身上选择起始点， 并以所述起始点为基础向周围遍历测 试点， 与所述起始点之间的颜色差值小于阈值的测试点记录为该条鱼类的起始点， 存入该 条鱼类的数据库。 6.根据权利要求5所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 所述计 算颜色梯度过程中对所述测试点的颜色分析包括： 同一条鱼身上的每一个测试点的颜色不 会发生变化， 所有测试点的颜色种类不超过3种， 相邻测试点之间的颜色差值小于所述阈 值。 7.根据权利要求1所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 所述识 别算法模 型的网络结构为ResNet： 选取每一个固定卷积层的浅层网络增加一个跳跃连接作 为一个识别 梯度； 通过一个以上的识别 梯度对分割图像中鱼类的特征识别所述分割图像中 鱼类的种类。 8.根据权利要求7所述的基于深度学习的鱼类资源快速识别方法， 其特征在于， 根据鱼 类特征进 行种类识别的方法包括： 不同种类的鱼在腮孔、 鳃盖、 鳞片、 背鳍、 胸鳍和尾鳍 其中 至少存在三个部位的不同点。 9.一种基于深度学习的鱼类资源快速识别系统， 其特征在于， 包括用于存储数据的存 储器， 用于处 理图像分割和图像识别的服 务器， 用于鱼类标定和视频采集的相机； 通过所述相机获取的视频文件和标定文件； 在所述服务器中将所述视频文件和所述标 定文件进行合并， 生成原始图像文件并存储于所述存储器中； 通过所述服务器执行上述权 利要求1‑8任一方法， 实现所述原 始图像文件中所有鱼类的识别分类。权　利　要　求　书 1/1 页 2 CN 115100688 A 2一种基于深度学习的鱼类资源快速识别方 法和系统 技术领域 [0001]本发明涉及图像识别领域， 尤其涉及一种基于深度学习的鱼类资源快速识别方法 和系统。 背景技术 [0002]现有的鱼类资源调查主要采用现场调查法， 在野外水域将渔获物捕捞上岸后， 主 要通过现场调查人员目视和经验判别的方法识别鱼的种类， 然后进行 口头计数及登记； 鱼 类的长度测量主要采用目估法。 传统的鱼类资源调查方法中： 通过目视和经验判别的方法 识别鱼的种类， 对调查人员的专业素质要求极高， 经验不 足的调查人员很难具有识别稀有、 濒危鱼类的能力， 容易产生差错； 通过口头计数及登记， 往往只能单条鱼地进行， 不能批量 进行， 效率较低且容 易出错； 采用目估法进行鱼身长度测量精度不够。 发明内容 [0003]本发明的目的在于提供一种基于深度学习的鱼类资源快速识别方法和系统， 从而 解决现有技 术中存在的前述问题。 [0004]为了实现上述目的， 本发明采用的技 术方案如下： [0005]一种基于深度学习的鱼类资源快速识别方法， 包括 [0006]将视频文件和经 过相机标定后的鱼类标定文件相结合， 得到原 始图像文件； [0007]针对所述原始图像文件进行鱼类图片分割， 并利用分割不准确的分割图像和经过 监测后对应的完整鱼类轮廓对图片分割模型进行训练， 实现所述图片分割模型的迭代更 新； [0008]针对经过所述图片分割模型分割准确的分割图像进行鱼类识别并分类， 利用识别 不准确的分割图像和校核修改后的识别结果对识别算法模型进行训练， 实现所述识别算法 模型的迭代更新； 从而实现鱼类资源的快速识别。 [0009]优选的， 还包括对准确 分割的分割图像中的鱼类进行长度识别： 对于经过所述图 片分割模型分割准确的分割图像中的鱼类体型进 行矫正， 从而根据图片与真实鱼类体型的 比例， 通过图片的像素， 换算得到对应鱼类的真实尺寸。 [0010]优选的， 所述视频文件和所述标定文件相结合得到原始图像文件的过程包括颜色 校正、 镜头校正和透 视校正。 [0011]优选的， 所述图像分割模型的网络结构为Detectron2， 包括backbone、 rpn和roi_ heads； 所述backb one提取所述原始图像文件中的鱼类特征的关键信息； 通过rpn判断所述 原始图像文件中可能存在鱼类的目标区域； 所述roi_heads通过所述backb one中提取的鱼 类特征和所述rpn中得到目标区域的坐标 得到预测的图片分割结果。 [0012]优选的， 图像分割还包括计算颜色梯度法： 在鱼类身上选择起始点， 并以所述起始 点为基础向周围遍历测试点， 与所述起始点之 间的颜色差值小于阈值的测试点记录为该条 鱼类的起始点， 存 入该条鱼类的数据库。说　明　书 1/5 页 3 CN 115100688 A 3