本發(fā)明屬于水生生物識別，具體涉及一種水生生物分類方法、系統(tǒng)、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著現(xiàn)代水產(chǎn)養(yǎng)殖業(yè)和物流行業(yè)的快速發(fā)展，水生生物的產(chǎn)量和流通量不斷增加，水生生物的種類也日益繁多，導(dǎo)致水生生物的分類和識別工作面臨諸多挑戰(zhàn)，傳統(tǒng)的水生生物分類方法主要依賴人工進(jìn)行，然而，一方面，人工分類需要投入大量的人力和時間，特別是在水生生物產(chǎn)量大的情況下，人工分類的效率無法滿足實(shí)際需求；另一方面，不同種類的水生生物可能在外觀、顏色、形狀等方面存在細(xì)微的差別，而人工分類依賴于人的視覺和經(jīng)驗，因此，分類結(jié)果往往受到主觀因素的影響，導(dǎo)致分類結(jié)果的一致性和準(zhǔn)確性受到質(zhì)疑。

2、為了解決上述問題，近年來，隨著計算機(jī)視覺和深度學(xué)習(xí)技術(shù)的快速發(fā)展，越來越多的研究者開始嘗試將這些技術(shù)應(yīng)用于水生生物的識別和分類中，深度學(xué)習(xí)技術(shù)可以通過學(xué)習(xí)圖像數(shù)據(jù)，自動提取出能夠表征水生生物種類的關(guān)鍵特征，從而實(shí)現(xiàn)對水生生物的自動識別和分類，這種方法能夠減少人為因素對分類結(jié)果的影響，提高分類的效率。

3、然而，目前將深度學(xué)習(xí)技術(shù)應(yīng)用于水生生物識別和分類的研究仍處于初級階段，還存在一些挑戰(zhàn)和問題需要解決。現(xiàn)有模型在對復(fù)雜多變的水生生物進(jìn)行分類時，不能很好地提取出有效的特征，進(jìn)而使模型的識別準(zhǔn)確率降低，同時現(xiàn)有模型還存在過擬合的問題，導(dǎo)致模型泛化能力較差，從而不能對不同類別的水生生物進(jìn)行準(zhǔn)確分類。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有模型在對復(fù)雜多變的水生生物進(jìn)行分類時，不能很好地提取出有效的特征，進(jìn)行使模型的識別準(zhǔn)確率較低的問題，本發(fā)明提供了一種水生生物分類方法，包括如下步驟：

2、獲取待分類的水生生物圖像；

3、在isvonet8模型的空間特征提取模塊的卷積層之后增加senet注意力機(jī)制，在isvonet8模型的特征圖提取模塊的每個相鄰的卷積層和最大池化層之間增加一個殘差連接，在isvonet8模型的輸出模塊的前兩個全連接層之后分別添加隨機(jī)失活層dropout層，得到改進(jìn)的isvonet8模型；

4、將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型，使用senet注意力機(jī)制獲取輸入圖像的注意力權(quán)重，得到權(quán)重向量；使用殘差連接對輸入卷積層之前的權(quán)重向量和經(jīng)過卷積操作之后的權(quán)重向量進(jìn)行疊加，得到特征圖；使用dropout層獲取特征圖的數(shù)量和類別，得到不同類別的水生生物。

5、優(yōu)選的，所述將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型之前，還包括對改進(jìn)的isvonet8模型進(jìn)行訓(xùn)練，具體包括如下步驟：

6、獲取不同分辨率的初始水生生物圖像數(shù)據(jù)集；

7、將初始水生生物圖像數(shù)據(jù)集中的圖像的像素調(diào)整為600×450，通過樣本增強(qiáng)算法對每個圖像進(jìn)行非重復(fù)的隨機(jī)角度旋轉(zhuǎn)操作，獲得1000張圖像，即構(gòu)建好的水生生物圖像數(shù)據(jù)集；

8、將構(gòu)建好的水生生物圖像數(shù)據(jù)集中的圖像輸入改進(jìn)的isvonet8模型，得到訓(xùn)練好的模型。

9、優(yōu)選的，所述將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型之前，還包括將待分類的水生生物圖像的像素轉(zhuǎn)化為224×224×3，并對其進(jìn)行歸一化和標(biāo)準(zhǔn)化處理。

10、優(yōu)選的，所述使用senet注意力機(jī)制獲取輸入圖像的注意力權(quán)重，得到權(quán)重向量，包括如下步驟：

11、使用空間特征提取模塊的卷積層對歸一化和標(biāo)準(zhǔn)化處理的水生生物圖像進(jìn)行卷積操作，提取圖像的空間特征，得到特征向量；

12、使用senet自帶的池化層對得到的特征向量進(jìn)行全局平均池化操作，將每個通道上的特征向量的所有像素值相加，并除以像素數(shù)量，得到權(quán)重向量。

13、本發(fā)明還提供有一種水生生物識別系統(tǒng)，包括：

14、數(shù)據(jù)集獲取模塊，用于獲取待分類的水生生物圖像；

15、模型構(gòu)建模塊，用于在isvonet8模型的空間特征提取模塊的卷積層之后增加senet注意力機(jī)制，在isvonet8模型的特征圖提取模塊的每個相鄰的卷積層和最大池化層之間增加一個殘差連接，在isvonet8模型的輸出模塊的前兩個全連接層之后分別添加隨機(jī)失活層dropout層，得到改進(jìn)的isvonet8模型；

16、水生生物識別模塊，用于將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型，使用senet注意力機(jī)制獲取輸入圖像的注意力權(quán)重，得到權(quán)重向量；使用殘差連接對輸入卷積層之前的權(quán)重向量和經(jīng)過卷積操作之后的權(quán)重向量進(jìn)行疊加，得到特征圖；使用dropout層獲取特征圖的數(shù)量和類別，得到不同類別的水生生物。

17、本發(fā)明還提供有一種計算機(jī)設(shè)備，包括存儲器和處理器；所述存儲器存儲有計算機(jī)程序，所述處理器用于運(yùn)行所述存儲器內(nèi)的計算機(jī)程序，以執(zhí)行所述水生生物分類方法。

18、本發(fā)明還提供有一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序適于處理器進(jìn)行加載，以所述水生生物分類方法。

19、本發(fā)明提供的水生生物分類方法、系統(tǒng)、設(shè)備及存儲介質(zhì)具有以下有益效果：

20、本發(fā)明通過在isvonet8模型的空間特征提取模塊添加senet注意力機(jī)制，能夠獲取待分類的水生生物圖像的注意力權(quán)重，得到權(quán)重向量，從而能夠從復(fù)雜背景中突出有用信息，增加模型的特征提取能力和學(xué)習(xí)能力，提高模型的識別準(zhǔn)確率；通過在isvonet8模型的特征圖提取模塊的每個相鄰的卷積層和最大池化層之間增加殘差連接，能夠維持特征傳遞的完整性，解決深層網(wǎng)絡(luò)中可能出現(xiàn)的梯度消失問題，提高水生生物特征提取的效率和準(zhǔn)確性；通過引入dropout層，能夠減少過擬合的風(fēng)險，提高了模型的泛化能力，從而能夠?qū)Σ煌悇e的水生生物進(jìn)行準(zhǔn)確分類。

技術(shù)特征：

1.一種水生生物分類方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的水生生物分類方法，其特征在于，所述將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型之前，還包括對改進(jìn)的isvonet8模型進(jìn)行訓(xùn)練，具體包括如下步驟：

3.根據(jù)權(quán)利要求1所述的水生生物分類方法，其特征在于，所述將待分類的水生生物圖像輸入改進(jìn)的isvonet8模型之前，還包括將待分類的水生生物圖像的像素轉(zhuǎn)化為224×224×3，并對其進(jìn)行歸一化和標(biāo)準(zhǔn)化處理。

4.根據(jù)權(quán)利要求3所述的水生生物分類方法，其特征在于，所述使用senet注意力機(jī)制獲取輸入圖像的注意力權(quán)重，得到權(quán)重向量，包括如下步驟：

5.一種水生生物識別系統(tǒng)，其特征在于，包括：

6.一種計算機(jī)設(shè)備，其特征在于，包括存儲器和處理器；所述存儲器存儲有計算機(jī)程序，所述處理器用于運(yùn)行所述存儲器內(nèi)的計算機(jī)程序，以執(zhí)行權(quán)利要求1-4任一項所述的水生生物分類方法。

7.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序適于處理器進(jìn)行加載，以執(zhí)行權(quán)利要求1-4任一項所述的水生生物分類方法。

技術(shù)總結(jié)
本發(fā)明提供了一種水生生物分類方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，屬于水生生物識別技術(shù)領(lǐng)域，其方法包括如下步驟：在IsVoNet8模型的空間特征提取模塊增加SEnet注意力機(jī)制，在每個相鄰的卷積層和最大池化層之間增加殘差連接，在輸出模塊的前兩個全連接層之后添加隨機(jī)失活層，得到改進(jìn)的IsVoNet8模型；將待分類的水生生物圖像輸入改進(jìn)的IsVoNet8模型，使用SEnet獲取輸入圖像的注意力權(quán)重，得到權(quán)重向量；使用殘差連接對輸入卷積層之前的權(quán)重向量和卷積操作后的權(quán)重向量進(jìn)行疊加，得到特征圖；使用dropout層獲取特征圖的數(shù)量和類別，得到不同類別的水生生物。本發(fā)明提高了水生生物的分類準(zhǔn)確率。

技術(shù)研發(fā)人員：宋軍,蔡宇,張力安康,楊軍,郭俊如,富硯昭,孫謙,田潔
受保護(hù)的技術(shù)使用者：大連海洋大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6