一种工业化养殖三疣梭子蟹的状态检测方法

摘要: 本发明属于工业化养殖检测,具体公开了一种工业化养殖三疣梭子蟹的状态检测方法。背景技术:1、水产养殖是全球水产品供给的重要组成部分,在蓝色转型议程下对稳定、可持续...
一种工业化养殖三疣梭子蟹的状态检测方法

本发明属于工业化养殖检测,具体公开了一种工业化养殖三疣梭子蟹的状态检测方法。

背景技术:

1、水产养殖是全球水产品供给的重要组成部分,在蓝色转型议程下对稳定、可持续的水产生产发挥着重要作用。随着集约化和工业化养殖的快速发展,生产系统对及时疾病防控、稳定管理和智能监测的需求不断增加。三疣梭子蟹是经济价值较高的海洋甲壳动物之一,其养殖状况直接关系到养殖收益和生产稳定性。在实际养殖系统中,若虚弱、患病或死亡个体未能及时检测并清除,可能引发异常互作、同类相食以及继发性疾病风险,hematodinium感染等疾病暴发进一步凸显了对养殖三疣梭子蟹进行及时异常状态检测的必要性。

2、传统工业化养殖系统中,三疣梭子蟹的状态主要依赖人工巡检评估。虽然经验丰富的工作人员能够根据外部形态和行为线索识别异常个体,但人工巡检劳动强度大、主观性强,难以在大规模生产环境中持续稳定开展。目前,基于深度学习的目标检测已成为智能水产养殖监测的基础技术路线。在工业化蟹类养殖场景中,yolo系列检测器已从初步可行性验证发展到退化成像条件下的鲁棒性探索,涵盖蜕壳状态检测、存活评估、水下增强检测以及细粒度甲壳特征提取等方面。然而,yolo类方法的密集预测范式仍依赖经验性结构设计和非极大值抑制后处理,当目标发生遮挡、弱可见或状态差异细微时仍可能出现漏检,难以保证对异常或虚弱个体的足够召回率。此外,真实养殖环境中蟹类空间分布复杂且相互遮挡频繁,甲壳纹理、附肢结构和边缘轮廓等判别性弱线索对退化成像条件高度敏感,仅依赖卷积特征提取和增强预处理不足以从根本上解决这些挑战。而基于transformer的端到端检测器为目标检测提供了新范式,rt-detr通过解耦尺度内特征交互与跨尺度特征融合提升了检测效率。然而,标准rt-detr直接应用于退化养殖图像时仍面临挑战:在光照不均、水体浑浊、局部反射和背景杂乱条件下,纹理、轮廓和附肢结构等判别性线索可能被显著削弱;一对一匹配范式提供的稀疏监督也可能进一步限制对小目标、遮挡目标和弱可见目标的召回能力。现有增强方法通常侧重于细节恢复或光照校正中的某一方面,难以在复杂养殖条件下同时保持结构真实性和退化敏感线索。

3、针对上述存在的问题,研究设计一种新型的工业化养殖三疣梭子蟹的状态检测方法,克服现有三疣梭子蟹工业化养殖检测方法中所存在的问题是十分必要的。

技术实现思路

1、本发明为解决现有三疣梭子蟹工业化养殖检测中存在的在遮挡、弱可见及退化成像条件下漏检率高,难以兼顾结构真实性与退化敏感线索等问题,提出了一种工业化养殖三疣梭子蟹的状态检测方法。

2、本发明提供了一种工业化养殖三疣梭子蟹的状态检测方法,包括如下步骤:

3、采集工业化养殖场景下的三疣梭子蟹图像,对所述图像中三疣梭子蟹个体标注位置边界框与健康状态标签,得到三疣梭子蟹健康状态检测数据集并划分为训练集和验证集;

4、以rt-detr为基准检测模型,对基准检测模型进行改造,包括构建由原始图像主分支、细节增强辅助分支和曝光补偿辅助分支组成的三分支输入表征;在骨干网络浅层入口设置tristemfusion浅层差异引导融合模块,得到检测模型;

5、采用所述训练集对所述检测模型进行迭代训练,在迭代训练阶段增加渐进式一对多辅助监督分支,每轮训练结束后采用所述验证集计算检测性能指标并遴选最优模型权重,训练过程以rt-detr主分支的一对一匹配损失为主损失,所述渐进式一对多辅助监督分支的一对多辅助损失为辅助损失,将所述辅助损失加权后与所述主损失求和得到总训练损失,基于所述总训练损失优化模型参数,得到crab-detr检测模型;

6、将待检测的三疣梭子蟹养殖图像输入所述crab-detr检测模型,得到三疣梭子蟹个体的位置边界框和健康状态分类结果。

7、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述细节增强辅助分支由原始图像经clahe限制对比度自适应直方图均衡化得到,所述细节增强辅助分支用于强化低对比度区域的纹理与边缘信息;

8、所述曝光补偿辅助分支由原始图像经csec曝光补偿算法得到,所述曝光补偿辅助分支用于缓解光照不均与局部过曝造成的视觉退化。

9、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述tristemfusion浅层差异引导融合模块的执行流程包括:

10、所述原始图像主分支、细节增强辅助分支和曝光补偿辅助分支经共享hgstem得到原始图像主分支浅层特征、细节增强辅助分支浅层特征和曝光补偿辅助分支浅层特征;

11、所述原始图像主分支浅层特征、细节增强辅助分支浅层特征和曝光补偿辅助分支浅层特征经过共享hgblock得到原始图像主分支高分辨率浅层特征、细节增强辅助分支高分辨率浅层特征和曝光补偿辅助分支高分辨率浅层特征;

12、对所述原始图像主分支高分辨率浅层特征、细节增强辅助分支高分辨率浅层特征和曝光补偿辅助分支高分辨率浅层特征做组归一化得到原始图像主分支归一化特征、细节增强辅助分支归一化特征和曝光补偿辅助分支归一化特征;

13、计算所述原始图像主分支归一化特征、细节增强辅助分支归一化特征和曝光补偿辅助分支归一化特征的两两绝对差异图,得到第一差异图、第二差异图和第三差异图;

14、将所述原始图像主分支归一化特征、细节增强辅助分支归一化特征和曝光补偿辅助分支归一化特征与所述第一差异图、第二差异图和第三差异图拼接,得到浅层融合输入;

15、将所述浅层融合输入输入到轻量级卷积融合子网络,输出竞争权重与局部门控补偿系数;

16、基于所述竞争权重加权融合所述细节增强辅助分支高分辨率浅层特征和曝光补偿辅助分支高分辨率浅层特征得到辅助混合特征,结合全局可学习补偿系数和所述局部补偿门控系数,以残差形式将所述辅助混合特征注入所述原始图像主分支高分辨率浅层特征,得到融合特征。

17、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述第一差异图如公式(1)所示:

18、 (1)

19、其中,表示第一差异图,表示原始图像主分支归一化特征,表示细节增强辅助分支归一化特征;

20、所述第二差异图如公式(2)所示:

21、 (2)

22、其中,表示第二差异图,表示原始图像主分支归一化特征,表示曝光补偿辅助分支归一化特征;

23、所述第三差异图如公式(3)所示:

24、 (3)

25、其中,表示第三差异图,表示细节增强辅助分支归一化特征,表示曝光补偿辅助分支归一化特征。

26、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述浅层融合输入如公式(4)所示:

27、) (4)

28、其中,表示浅层融合输入。

29、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述竞争权重如公式(5)所示:

30、 (5)

31、其中,表示细节增强辅助分支的竞争权重,表示曝光补偿辅助分支的竞争权重,表示两个辅助分支的双通道竞争logits;

32、所述局部门控补偿系数如公式(6)所示:

33、 (6)

34、其中,表示局部门控补偿系数,表示sigmoid 函数,表示局部补偿门控logit。

35、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述辅助混合特征如公式(7)所示:

36、 (7)

37、其中,表示辅助混合特征,表示细节增强辅助分支高分辨率浅层特征,表示曝光补偿辅助分支高分辨率浅层特征;

38、所述融合特征如公式(8)所示:

39、 (8)

40、其中,表示融合特征,表示原始图像主分支浅层特征,表示全局可学习补偿系数,,表示可学习标量参数,表示带通道广播的逐元素乘法。

41、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述渐进式一对多辅助监督分支的执行流程包括:

42、读取骨干网络输出的p3特征、p4特征和p5特征,经辅助特征适配器完成所述p3特征、p4特征和p5特征的通道投影与对齐,得到适配后p3特征、适配后p4特征和适配后p5特征;

43、将所述适配后p3特征、适配后p4特征和适配后p5特征分别输入辅助密集预测头,经轻量级分类分支和边界框回归分支,分别在所述适配后p3特征、适配后p4特征和适配后p5特征的多个空间位置上逐位置生成类别预测和候选框;

44、依据所述类别预测与真实类别的一致程度以及所述候选框与真实框的定位质量计算匹配代价,采用渐进式一对多分配策略为每个真实三疣梭子蟹目标选择匹配代价最小的top-k个所述类别预测和候选框作为正样本,其余所述类别预测和候选框作为负样本或不参与正样本回归;

45、基于匹配得到的所述正样本计算所述辅助损失,所述辅助损失包括分类损失、边界框回归损失和重叠度损失;将所述辅助损失加权后与所述主损失求和,得到总训练损失用于所述检测模型参数更新。

46、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述辅助损失如公式(9)所示:

47、 (9)

48、其中,表示辅助损失,表示分类损失项的权重系数,表示辅助损失的分类损失,表示边界框回归损失项的权重系数,表示辅助损失的边界框回归损失,表示重叠度损失项的权重系数,表示辅助损失的重叠度损失;

49、所述总训练损失如公式(10)所示:

50、 (10)

51、其中,表示总训练损失,表示主损失,表示权重;

52、所述权重如公式(11)所示:

53、 (11)

54、其中,表示当前epoch,表示辅助监督开始的epoch,表示辅助损失的基础权重,表示,表示线性预热持续的epoch数。

55、根据本技术一些实施例的一种工业化养殖三疣梭子蟹的状态检测方法,所述健康状态分类结果包括健康、患病和死亡。

56、本发明提出的一种工业化养殖三疣梭子蟹的状态检测方法,用于工业化养殖中三疣梭子蟹的鲁棒状态检测。构建由原始图像主分支、细节增强辅助分支和曝光补偿辅助分支组成的三分支输入架构,以原始图像为主导、增强信息为辅助,在保留原始图像固有分布的同时,增强低对比度区域的纹理与边缘信息,补偿异常曝光造成的视觉退化,避免了直接用增强图像替代原始输入或将增强作为独立预处理步骤导致的视觉增强与面向检测的特征学习不一致问题,抑制了过增强可能引入的伪纹理、人工边缘和噪声干扰。本发明设计的tristemfusion浅层差异引导融合模块,在高分辨率浅层特征空间中建模原始分支与增强分支之间的差异,通过差异引导的残差补偿选择性地将与检测相关的增强线索注入原始图像分支,同时抑制增强引入的伪影和冗余信息,在后续骨干网络编码之前增强浅层特征表征,改善对弱纹理、模糊边界和局部退化目标的感知能力。此外,本发明在训练阶段引入渐进式一对多辅助监督分支,通过多尺度辅助检测头和渐进式权重调度,为小目标、遮挡目标和弱可见个体提供更密集的多尺度学习信号,解决了一对一匹配提供的稀疏监督对难例目标感知能力的限制;由于该辅助损失分支在推理阶段被移除,能够在不增加推理计算成本和时延的前提下提高检测召回率。本发明能够有效提升复杂水下成像条件下三疣梭子蟹检测的鲁棒性,为工业化养殖中的自动化监测和智能化管理提供可靠技术支撑。