一种基于双分支点检测网络的虾饵料偏好性判断方法及系统
本发明涉及智慧水产养殖,尤其涉及一种基于双分支点检测网络的虾饵料偏好性判断方法及系统。
背景技术:
1、随着粮食安全需求的持续增长与水产养殖规模化进程的不断推进,智慧水产养殖已成为突破传统养殖瓶颈的核心方向。在虾类养殖中,饵料成本占总养殖成本的比重较高,精准评估虾对不同饵料的偏好性,是优化饵料配方、降低饵料浪费、减少水体污染的重要技术支撑。计算机视觉与深度学习技术的快速发展,为水产养殖场景下的目标检测与行为分析提供了新的技术路径,使得通过图像采集与智能算法对虾的摄食行为进行自动化、定量化评估成为可能。
2、现有的虾饵料偏好性判断方法主要依赖人工观察记录或单一饵料消耗量统计,前者耗费大量人力物力且主观误差较大,后者仅反映饵料的静态消耗结果,无法动态捕捉虾的主动摄食行为过程;现有计算机视觉计数方法多面向工业电子元件、人群密度等场景设计,未针对水产养殖环境中虾体细长、饵料颗粒超小、水体反射干扰强等特点进行适配,导致虾与饵料的同步计数精度低、子区域统计误差大。现有技术的上述不足导致偏好性判断结果与专家判断之间存在较大偏差,无法有效指导饵料配方优化。
3、因此,如何在复杂水体背景下实现虾与超小饵料颗粒的高精度同步检测,并通过动态耦合虾的摄食行为与饵料消耗状态来精准量化偏好性,是本领域亟待解决的技术问题。
技术实现思路
1、本发明提供一种基于双分支点检测网络的虾饵料偏好性判断方法及系统,用以解决现有技术的缺陷。
2、本发明提供一种基于双分支点检测网络的虾饵料偏好性判断方法,包括:
3、s1、对饵料盘图像中的虾目标与饵料目标分别进行点标注处理,获得虾头部坐标集与饵料颗粒数据集,并基于虾头部坐标集与饵料颗粒数据集对双分支点检测网络进行训练;
4、s2、将待检测虾进食视频输入训练完成的双分支点检测网络,进行特征提取与点预测,获得多个图像帧的虾计数结果与饵料计数结果;
5、s3、根据所述虾计数结果与所述饵料计数结果,计算多个饵料盘对应的区域兴趣度;
6、s4、将多个饵料盘的区域兴趣度进行归一化处理及排序处理,获得虾目标对不同饵料的偏好性排名结果。
7、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s1进一步包括:
8、s11、以预设时间间隔对饵料盘进行图像采集,获得饵料盘图像序列;
9、s12、从所述饵料盘图像序列中按预设帧间隔提取关键帧图像,获得待标注图像集;
10、s13、对所述待标注图像集中的每张图像,以虾的头部中心为基准点对虾目标进行像素级点标注,以颗粒中心为基准点对饵料目标进行像素级点标注,获得虾头部坐标集与饵料颗粒数据集;
11、s14、基于所述虾头部坐标集与饵料颗粒数据集对双分支点检测网络进行训练,获得训练完成的双分支点检测网络。
12、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s2中,所述双分支点检测网络包括:多尺度特征提取骨干网络、fpn-unet混合特征融合架构、mwas小目标增强模块、双分支检测头,所述双分支检测头包括虾分支检测头及饵料分支检测头。
13、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s2进一步包括:
14、s21、将待检测虾进食视频作为多帧输入图像输入多尺度特征提取骨干网络,经卷积特征提取处理,获得多种尺度的特征图;
15、s22、将多种尺度的特征图输入fpn-unet混合特征融合架构,进行基于自顶向下语义传播与自底向上细粒度补充的特征融合,分别获得面向虾分支的虾融合特征图与面向饵料分支的饵料融合特征图;
16、s23、将所述饵料融合特征图输入mwas小目标增强模块,进行多尺度卷积与注意力加权,获得增强饵料特征图;
17、s24、将所述虾融合特征图与所述增强饵料特征图分别输入双分支检测头,通过双分支检测头的回归分支与分类分支联合预测,并进行非极大值抑制筛选,获得多个图像帧的虾计数结果与饵料计数结果。
18、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s21进一步包括:
19、s211、将输入图像送入多尺度特征提取骨干网络的多个卷积块,其中对第一卷积块至第二卷积块的权重执行冻结处理以保留通用纹理特征,对第三卷积块至第五卷积块的权重执行微调处理以适配水产养殖场景;
20、s212、从多个卷积块的不同层级输出中,依次提取获得四种尺度的特征图;所述特征图的尺度包括:第一尺度特征图为1/2尺寸、64通道,第二尺度特征图为1/4尺寸、128通道、第三尺度特征图为1/8尺寸、256通道、第四尺度特征图为1/16尺寸、512通道。
21、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s22进一步包括:
22、s221、将所述第四尺度特征图经1×1卷积进行降维处理,获得顶层语义特征图;
23、s222、将所述顶层语义特征图上采样后与所述第三尺度特征图融合,获得中间语义特征图;
24、s223、将所述中间语义特征图上采样后与第二尺度特征图融合,获得底层融合特征图;
25、s224、将所述顶层语义特征图进行上采样后与所述第一尺度特征图执行跳跃连接融合处理,并进行relu激活,获得虾融合特征图;
26、s225、将所述中间语义特征图进行上采样后与所述第二尺度特征图执行跳跃连接融合处理,并进行leakyrelu激活,获得饵料融合特征图。
27、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s23进一步包括:
28、s231、将所述饵料融合特征图分别送入包括1×1卷积核、3×3卷积核、5×3卷积核的三路并行卷积核,提取多尺度饵料形态特征;
29、s232、将所述多尺度饵料形态特征送入1×1卷积核进行通道压缩,获得综合饵料特征;
30、s233、将所述综合饵料特征输入eca通道注意力模块,对与饵料强相关的关键通道进行加权筛选,并经7×7卷积核空间注意力模块对饵料密集区域进行空间加权处理,获得饵料加权特征;
31、s234、通过逐元素乘法,将所述饵料加权特征与所述综合饵料特征进行融合,获得增强饵料特征图。
32、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s24具体包括:
33、将所述虾融合特征图输入虾分支检测头,以第一预设标准差的高斯核生成目标响应图,经回归分支输出虾目标中心偏移量,经分类分支输出置信度,以置信度阈值进行筛选,并由iou阈值为基准的非极大值抑制去除冗余预测,获得虾计数结果;
34、将所述增强饵料特征图输入饵料分支检测头,以第二预设标准差的的高斯核生成目标响应图,经回归分支输出饵料目标中心偏移量,经分类分支输出置信度,以置信度阈值进行筛选,并由iou阈值为基准的非极大值抑制去除冗余预测,获得各帧饵料计数结果。
35、根据本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法,步骤s3中,所述区域兴趣度的表达式为:
36、
37、
38、
39、其中,为计算获得的区域兴趣度,为积极虾摄入量,为平均剩余饵料量,为数值稳定性补偿常数,为场景自适应调节系数,为虾的编号索引,为当前饵料盘区域内被检测到的虾的总数量,为实验视频中第只虾在饵料盘区域内连续或累计出现的帧数总量,为预设停留帧阈值,表示判定一只虾为主动摄食虾所需满足的最低停留帧数,为指示函数,为子区域穿越次序的索引,为第只虾在整个观测周期内穿越饵料盘子区域的总次数,为第只虾在其所穿越路径中第个子区域内的停留帧数,为实验观测周期内采集的图像总帧数,为视频序列中帧的编号索引,为第帧图像中饵料分支检测头输出的饵料颗粒计数结果,为第帧图像的异常值权重。
40、本发明还提供一种基于双分支点检测网络的虾饵料偏好性判断系统,用于执行如以上任一项所述的一种基于双分支点检测网络的虾饵料偏好性判断方法,包括:
41、训练模块:用于对饵料盘图像中的虾目标与饵料目标分别进行点标注处理,获得虾头部坐标集与饵料颗粒数据集,并基于虾头部坐标集与饵料颗粒数据集对双分支点检测网络进行训练;
42、双分支检测模块,配置为所述训练模块训练完成的双分支点检测网络,用于处理待检测虾进食视频,并进行特征提取与点预测,获得多个图像帧的虾计数结果与饵料计数结果;
43、计算模块:用于根据所述虾计数结果与所述饵料计数结果,计算多个饵料盘对应的区域兴趣度;
44、输出模块:用于将多个饵料盘的区域兴趣度进行归一化处理及排序处理,获得虾目标对不同饵料的偏好性排名结果。
45、本发明提供的一种基于双分支点检测网络的虾饵料偏好性判断方法及系统,通过双分支点检测网络与虾饵双向耦合计数公式的协同设计,在多个维度上取得了显著的技术效果。在目标检测精度方面,由于虾分支与饵料分支分别采用差异化的高斯核参数与特征融合路径,使得虾计数平均绝对误差降,饵料计数平均绝对误差降,单帧计数结果的稳定性得到有效保障,能够满足实际水产养殖场景对计数精度的应用需求。在超小目标检测方面,mwas小目标增强模块通过并行多尺度卷积与eca通道注意力、7×7大核空间注意力的级联加权机制,使饵料漏检率大幅降低,显著改善了复杂水体背景下超小饵料颗粒的检测可靠性。在子区域计数一致性方面,点检测范式从根本上规避了传统密度图方法因边界分割效应导致的边缘目标重复计数问题,各子区域计数误差分布均匀,平均子区域计数误差较传统方法显著降低。在偏好性评估准确性方面,区域兴趣度通过将积极虾摄入量与经异常值权重修正后的平均剩余饵料量进行非线性耦合,既剔除了过路虾对摄食统计的干扰,又修正了水体反射对饵料计数的影响,最终使本方法的偏好性排名结果与专家判断的平均相似度提升,显著优于人工统计方法与单一饵料消耗量统计方法,具备直接指导饵料配方优化的实用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com