一种鱼的去鳞效果检测方法、装置及存储介质与流程

1.本技术涉及图像处理领域，尤其涉及一种鱼的去鳞效果检测方法、装置和存储介质。


背景技术：

2.去鳞是淡水鱼加工前处理过程中非常重要的一个环节，现有技术中去鳞设备检测去鳞效果是基于感官评价或在坐标纸上标记经处理后剩余鱼鳞的面积，再计算去鳞率。或者通过三维激光扫描仪检测鱼的去鳞率，但需要在鱼体表面贴上标靶点贴纸，并将扫描后的模型导入软件proe计算，检测的步骤繁多并且使用的设备昂贵。目前还缺少检测准确率高且成本低的去鳞率检测方法。


技术实现要素：

3.针对上述技术问题，本技术实施例提供了一种鱼的去鳞效果检测方法、装置及存储介质，用以提高去鳞率检测的准确度，降低检测成本。
4.第一方面，本技术实施例提供的一种鱼的去鳞效果检测方法，包括：
5.拍摄去鳞鱼体的第一图像；
6.将所述去鳞鱼体的第一图像导入预先确定的模型中进行检测；
7.根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数；
8.根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计算去鳞率和损伤率。
9.优选的，所述拍摄去鳞鱼体的第一图像包括：
10.每隔时间t1拍摄图像，或者
11.检测到鱼体经过时拍摄图像；
12.其中t1为预设的拍摄时间间隔。
13.其中，所述去鳞率等于无鱼鳞部分的像素数除以鱼体部分的像素数，所述损伤率等于损伤部分的像素数除以鱼体部分的像素数。
14.优选的，根据以下步骤确定所述预先确定的模型：
15.步骤a：确定训练数据集，验证数据集和测试数据集；
16.步骤b：构建第一神经网络模型；
17.步骤c：将所述训练数据集和验证数据集导入所述第一神经网络模型进行学习；
18.步骤d：当训练次数超过预设的次数门限，并且训练得到的平均精度均值大于预设的精度门限时，则执行步骤e，否则调整参数继续执行步骤c；
19.步骤e：使用测试数据集对模型进行测试，当测试得到的平均精度均值小于预设的精度门限时，调整参数继续执行步骤c；当测试得到的平均精度均值大于等于预设的精度门限时，停止训练得到所述预先确定的模型。
20.优选的，所述确定训练数据集，验证数据集和测试数据集包括：
21.采集去鳞后的鱼的第二图像；
22.将所述第二图像标记为无鱼鳞部分、损伤部分和鱼体部分，得到第一数据集；
23.将第一数据集划分为训练数据集、验证数据集和测试数据集。
24.作为优选的示例，所述预设的次数门限为200次，所述精度门限为90％。
25.优选的，所述第一神经网络模型包括：
26.所述第一神经网络模型包括骨架网络，区域建议网络和后处理网络；
27.所述骨架网络与所述区域建议网络连接，所述区域建议网络与所述后处理网络连接；
28.所述骨架网络用于提取特征图像，并根据所述特征图像生成锚框，并将所述锚框输入所述区域建议网络；
29.所述区域建议网络用于根据输入的锚框，进行二值分类以及边界框的回归，删除无用的锚框，降剩余的锚框输入所述后处理网络；
30.所述后处理网络根据输入的锚框，进行分类，边界回框回归和掩膜生成。
31.所述骨架网络包括：
32.所述骨架网络从左至右分为c层，m层和p层；
33.其中所述c层为残差网络，包括5个层，自下而上分为c1层，c2层，c3层，c4层和c5层，c1层为所述第一图像的输入层；
34.所述m层为fpn网络，包括5个层，自下而上分为m1层，m2层，m3层，m4层和m5层；
35.所述p层为横向连接网络，包括5个层，自下而上分为p2层，p3层，p4层，p5层和p6层；
36.所述c2层的输入为c1层的输出，所述c3层的输入为c2层的输出，所述c4层的输入为c3层的输出，所述c5层的输入为c4层的输出；
37.所述m5层的输入为所述c5层的输出，所述m4层的输入为所述m5层的输出，所述m3层的输入为所述m4层的输出，所述m2层的输入为所述m3层的输出，所述m1层的输入为所述m2层的输出；
38.所述p6层的输入为所述m5层的输出，所述p5层的输入为所述m5层的输出，所述p4层的输入为所述c4层的输出与所述m4层的输出之和，所述p3层的输入为所述c3层的输出与所述m3层的输出之和，所述p2层的输入为所述c2层的输出与所述m2层的输出之和。
39.具体的，所述c层中，每一层输出的特征图的分辨率是输入的四分之一。所述m层中，所述m5层的输出是输入的卷积计算，其他m层的输出是输入的上采样。述p层中，所述p6层的输出是输入的最大池化，其他p层的输出是输入的卷积计算；其中，所述p6的输出用于所述区域建议网络的输入，其他p层的输出作为特征图输出，并输入所述后处理网络。
40.优选的，所述c1层，c2层，c3层和c4层还包括注意力模块；
41.所述c1层，c2层，c3层和c4层的损失函数为：
42.l2＝l
cls
l
box
l
mask
l
edge
，
43.其中，l
edge
为边缘损失，且：
44.45.l
cls
是分类损失
46.l
box
是边界框损失
47.l
mask
是掩膜损失
48.y是边缘真实值
49.y^是预测的边缘
50.优选的，所述注意力模块用于：
51.每个特征图通道乘以相应的权重系数；
52.其中，第q个通道的权重系数为：
53.z
q
＝σ(w
1q
p1 w
2q
p2 b
q
)，
54.其中，z
q
为第q个通道的权重系数；
55.w
1q
为通过学习得到的数列w1的第q个元素；
56.w
2q
为通过学习得到的数列w2的第q个元素；
57.b
q
为通过学习得到的数列b的第q个元素；
58.x是任意值。
59.使用本发明提供的方法，在检测之前，先构建检测模型，检测模型的残差网络中插入注意力模块，给每个特征图通道加上一个权重系数，更重要的通道具有更大的权重系数，使得网络更加注意更重要的通道。在模型构建完成后，通过训练数据集和验证数据集对模型进行训练，从而得到检测准确率更高的监测模型，然后将需要检测的鱼的去鳞图片输入模型进行检测。
60.第二方面，本技术实施例还提供一种鱼的去鳞效果检测装置，包括：
61.模型构建模块，被配置用于构建进行去鳞效果监测的神经网络模型；
62.图像拍摄模块，被配置用于拍摄去鳞鱼体的第一图像，将所述去鳞鱼体的第一图像导入预先确定的神经网络模型中进行检测；
63.结果计算模块，被配置用于根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数；根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计算去鳞率和损伤率。
64.第三方面，本技术实施例还提供一种鱼的去鳞效果检测装置，包括：存储器、处理器和用户接口；
65.所述存储器，用于存储计算机程序；
66.所述用户接口，用于与用户实现交互；
67.所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的鱼的去鳞效果检测方法。
68.第四方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现本发明提供的鱼的去鳞效果检测方法。
附图说明
69.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简要介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
70.图1为本技术实施例提供的鱼的去鳞率检测方法示意图；
71.图2为本技术实施例提供的检测模型训练过程示意图；
72.图3为本技术实施例提供的检测模型结构示意图；
73.图4为本技术实施例提供的感兴趣区域roi示意图；
74.图5为本技术实施例提供的注意力模块结构示意图；
75.图6为本技术实施例提供的残差网络对比示意图；
76.图7为本技术实施例提供的去鳞率检测装置结构示意图；
77.图8为本技术实施例提供的另一种去鳞率检测装置结构示意图。
具体实施方式
78.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
79.下面对文中出现的一些词语进行解释：
80.1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
81.2、本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
82.3、cnn，
83.4、roi(region of interest)——感兴趣区域；fpn(feature pyramid networks)——特征金字塔网络；rpn(region proposal networks)——区域建议网络
84.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
85.需要说明的是，本技术实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
86.实施例一
87.参见图1，本技术实施例提供的一种鱼的去鳞效果检测方法示意图，如图1所示，该方法包括步骤s101到s104：
88.s101、拍摄去鳞鱼体的第一图像；
89.s102、将所述去鳞鱼体的第一图像导入预先确定的模型中进行检测；
90.s103、根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数；
91.s104、根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计
算去鳞率和损伤率。
92.本发明实施例中，去鳞鱼体是指经过去鳞处理后的鱼，去鳞处理即将鱼身上的鱼鳞去除。
93.本发明实施例中，拍摄去鳞鱼体的第一图像的方法可以包括以下方法1或者方法2：
94.方法1：每隔时间t1拍摄去鳞鱼体的第一图像；
95.其中t1为预设的拍摄时间间隔，例如，每隔2秒拍摄一张去鳞鱼体的图像，将拍摄的图像导入训练好的模型中进行检测。
96.方法2：检测到鱼体经过时拍摄去鳞鱼体的第一图像。例如设置光电传感器，检测到鱼体经过时拍摄图像，将拍摄的图像导入训练好的模型中进行检测。
97.本发明实施例中，去鳞率等于无鱼鳞部分的像素数除以鱼体部分的像素数，所述损伤率等于损伤部分的像素数除以鱼体部分的像素数，即：
[0098][0099][0100]
其中，去鳞率可以用百分比表示，也可以用小数表示，本实施例不做限定。
[0101]
本发明实施例中，在将所述去鳞鱼体的第一图像导入预先确定的模型中进行检测之前，需要构建检测模型。作为一种优选示例，如图2所示，根据以下步骤确定所述预先确定的模型：
[0102]
步骤a：确定训练数据集，验证数据集和测试数据集；
[0103]
步骤b：构建第一神经网络模型；
[0104]
步骤c：将所述训练数据集和验证数据集导入所述第一神经网络模型进行学习；
[0105]
步骤d：当训练次数超过预设的次数门限，并且训练得到的平均精度均值大于预设的精度门限时，则执行步骤e，否则调整参数继续执行步骤c；
[0106]
步骤e：使用测试数据集对模型进行测试，当测试得到的平均精度均值小于预设的精度门限时，调整参数继续执行步骤c；当测试得到的平均精度均值大于等于预设的精度门限时，停止训练得到所述预先确定的模型。
[0107]
优选的，上述步骤a，可以包括：
[0108]
采集去鳞后的鱼的第二图像；
[0109]
将所述第二图像标记为无鱼鳞部分、损伤部分和鱼体部分，得到第一数据集；
[0110]
将第一数据集划分为训练数据集、验证数据集和测试数据集。
[0111]
作为一个优选示例，进一步的，为了统一格式，将所有第二图像尺寸设置成统一的大小。例如将所有第二图像尺寸统一成大小为640像素
×
480像素，并标记无鱼鳞部分，损伤部分，以及鱼体部分。将数据集按照3:1:1的比例分割成训练集，验证集以及测试集。例如，共采集了1000幅去鳞后的鱼的第二图像，训练集为600辅图像，验证集为200幅图像，测试集为200幅图像。
[0112]
需要说明的是，标记无鱼鳞部分，可以使用现有的标记软件进行，本实施例不做限定。
[0113]
作为一个优选示例，上述步骤d中，预设的次数门限为200次，所述精度门限为90％。即例如：将训练集以及验证集放入网络中学习，当平均精度均值map(mean average precision)大于90％时停止训练；并设置最大训练次数epoch(当所有样本都训练一遍称为一个epoch)为200，当200个epoch结束后强制停止训练。如果训练结束后map小于90％，即回到步骤c，调整参数，再次训练。
[0114]
作为一个优选示例，上述步骤e中，在步骤d完成的基础上，使用测试集数据对模型进行验证。例如，当测试集上的map小于90％时，重新回到步骤c，调整参数，再次训练。若模型在测试集上的map大于90％，则视为最终模型。即停止训练得到所述预先确定的模型。
[0115]
本发明实施例中，第一神经网络如图3所示，第一神经网络包括：
[0116]
所述第一神经网络模型包括骨架网络，区域建议网络和后处理网络；
[0117]
所述骨架网络与所述区域建议网络连接，所述区域建议网络与所述后处理网络连接；
[0118]
所述骨架网络用于提取特征图像，并根据所述特征图像生成锚框，并将所述锚框输入所述区域建议网络；
[0119]
所述区域建议网络用于根据输入的锚框，进行二值分类以及边界框的回归，删除无用的锚框，降剩余的锚框输入所述后处理网络；
[0120]
所述后处理网络根据输入的锚框，进行分类，边界回框回归和掩膜生成。
[0121]
需要说明的是，本发明实施例中，骨架网络即为图3中的backbone网络，区域建议网络即为图3中的rpn网络(region proposal network，简称rpn)，图3中的除骨架网络和区域建议网络之外的为后处理网络。
[0122]
需要说明的是，本发明实施例中，第一神经网络也称为mask r
‑
cnn，具体的，其组成和工作过程如下：
[0123]
mask r
‑
cnn的结构如图3所示，输入的图像先经过骨架网络(backbone)中提取特征图像(feature map)，特征图像上的每一点会生成多个锚框(anchor)并进入区域建议网络(region proposal network，rpn)进行二值分类以及边界框的回归，去掉无用的锚框，感兴趣区域对准(region of interest align，roi align)将剩余的感兴趣区域(roi)尺寸统一并与原图对应，最终在得到的感兴趣区域(roi)上进行分类，边界框回归以及掩膜生成。感兴趣区域对准(region of interest align，roi align)如图4所示，图中虚线部分表示特征图，实线部分表示roi(region of interest)，这里将roi切分成2
×
2的单元格，假设采样点数为4，将每个单元格分成2
×
2的小单元格，中心点则是采样点。但采样点的坐标一般都为浮点数，于是使用双线性插值得到中心点的值，然后再对每个单元格内的四个采样点做最大池化处理，即可得到roi align(region of interest align)的结果。
[0124]
mask r
‑
cnn使用的骨架网络(backbone)包括三个部分，自下而上，自上而下以及横向连接。自下而上也就是使用残差网络(resnet)对原图进行不同尺度的特征图提取，左侧的c1至c5层是resnet的结构层，每一层的步长(stride)都为2，即每个阶段输出的特征图分辨率都是上一层的四分之一。中间的m5层是由c5层经过1x1的卷积计算得到的，之后的自下而上是使用特征金字塔网络(feature pyramid networks，fpn)网络将m5层逐步上采样，得到m4到m1层。最后的横向连接是c2，c3，c4，c5的每一层都经过一个1x1的卷积计算，再分别于m2，m3，m4，m5相加，得到p2，p3，p4，p5，并通过一个3x3的卷积处理消除混叠效应。p6则
是由m5最大池化得到的，p6只用于后续的rpn网络中，并不作为特征图输出。resnet和fpn相结合的特征提取网络在计算量保持不变的前提下，提高了对小尺度物体的检测能力。
[0125]
经过backbone提取的特征图上会自动生成锚框(anchor)，区域建议网络rpn中的一个分支对锚框进行二分类，包括目标物体的为正例(positive)，不包含目标物体的为负例(negative)，另一个分支用于计算锚框的边界框回归偏移量，以获得精确的建议(proposal)。在剔除超出边界以及太小的锚框，再通过非极大值抑制(non
‑
maximum suppression)对包含目标物体的锚框进行筛选，得到roi。
[0126]
通过roi align将roi映射成固定尺寸，得到的roi通过三个分支分别进行边界框回归，分类以及掩膜的生成，最终同时得到目标识别以及实例分割的结果。
[0127]
下面对本技术实施例的骨架网络进一步描述如下：
[0128]
所述骨架网络从左至右分为c层，m层和p层；
[0129]
其中所述c层为残差网络，包括5个层，自下而上分为c1层，c2层，c3层，c4层和c5层，c1层为所述第一图像的输入层；
[0130]
所述m层为fpn网络，包括5个层，自下而上分为m1层，m2层，m3层，m4层和m5层；
[0131]
所述p层为横向连接网络，包括5个层，自下而上分为p2层，p3层，p4层，p5层和p6层；
[0132]
所述c2层的输入为c1层的输出，所述c3层的输入为c2层的输出，所述c4层的输入为c3层的输出，所述c5层的输入为c4层的输出；
[0133]
所述m5层的输入为所述c5层的输出，所述m4层的输入为所述m5层的输出，所述m3层的输入为所述m4层的输出，所述m2层的输入为所述m3层的输出，所述m1层的输入为所述m2层的输出；
[0134]
所述p6层的输入为所述m5层的输出，所述p5层的输入为所述m5层的输出，所述p4层的输入为所述c4层的输出与所述m4层的输出之和，所述p3层的输入为所述c3层的输出与所述m3层的输出之和，所述p2层的输入为所述c2层的输出与所述m2层的输出之和。
[0135]
作为一种优选示例，所述c层中，每一层输出的特征图的分辨率是输入的四分之一。
[0136]
作为一种优选示例，所述m层中，所述m5层的输出是输入的卷积计算，其他m层的输出是输入的上采样。
[0137]
作为一种优选示例，所述p层中，所述p6层的输出是输入的最大池化，其他p层的输出是输入的卷积计算；
[0138]
其中，所述p6的输出用于所述区域建议网络的输入，其他p层的输出作为特征图输出，并输入所述后处理网络。
[0139]
作为一种优选示例，本发明实施例的骨架网络中，c2层，c3层和c4层还包括注意力模块，如图5所示。本发明实施例中，在特征提取网络中增加注意力模块，给每个特征图通道加上一个权重，重要的通道具有较大的权重系数，使网络更加注意重要的通道。
[0140]
如图5所示，经过之前网络提取出的特征图u，大小为h
×
w
×
q，其中h为高度，w为宽度，q为通道数，通过平均池化计算以及最大池化计算，分别得到大小都为1
×1×
q的两个数列，平均池化计算公式如下：
[0141][0142]
u＝[u1，u2，...，u
c
]......公式2
[0143]
u
q
表示构成u的第q个矩阵，p1表示平均池化的计算结果。
[0144]
最大化池计算公式如下：
[0145]
p2＝f
max pooling
(u
c
)＝max(u
c
)......公式3
[0146]
p2表示最大化池计算结果。
[0147]
得到的p1和p2再经过一个线性回归方程得到最终的权重数列：
[0148]
其中，第q个通道的权重系数为：
[0149]
z
q
＝σ(w
1q
p1 w
2q
p2 b
q
)，
[0150]
其中，z
q
为第q个通道的权重系数；
[0151]
w
1q
为通过学习得到的数列w1的第q个元素；
[0152]
w
2q
为通过学习得到的数列w2的第q个元素；
[0153]
b
q
为通过学习得到的数列b的第q个元素；
[0154]
x是任意值。
[0155]
将计算得到的权重通过乘法依次逐通道加权到先前的特征图上。
[0156]
作为一种优选示例，本发明实施例中，使用resnet50和fpn作为backbone，将上述的注意力模块插入到resnet50中的残差块(residualblock)，并做减层处理。例如图6所示，在上述骨架网络的c1到c4中参入注意力模块，c5保持不变。在未插入注意力模块之前，损失函数为：
[0157]
l1＝l
cls
l
box
l
mask
……
公式5
[0158]
插入注意力模块之后，加入了边缘损失：
[0159][0160]
因此，插入注意力模块之后，损失函数为：
[0161]
l2＝l
cls
l
box
l
mask
l
edge
……
公式7
[0162]
其中，l
cls
是分类损失
[0163]
l
box
是边界框损失
[0164]
l
mask
是掩膜损失
[0165]
y是边缘真实值
[0166]
y^是预测的边缘
[0167]
使用本发明提供的方法，在检测之前，先构建检测模型，检测模型的残差网络中插入注意力模块，给每个特征图通道加上一个权重系数，更重要的通道具有更大的权重系数，使得网络更加注意更重要的通道。在模型构建完成后，通过训练数据集和验证数据集对模型进行训练，从而得到检测准确率更高的监测模型，然后将需要检测的鱼的去鳞图片输入模型进行检测。
[0168]
实施例二
[0169]
基于同一个发明构思，本发明实施例还提供了一种鱼的去鳞效果检测装置，如图7所示，该装置包括：
[0170]
模型构建模块701，被配置用于构建进行去鳞效果监测的神经网络模型；
[0171]
图像拍摄模块702，被配置用于拍摄去鳞鱼体的第一图像，将所述去鳞鱼体的第一图像导入预先确定的神经网络模型中进行检测；
[0172]
结果计算模块703，被配置用于根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数；根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计算去鳞率和损伤率。
[0173]
优选的，所述模型构建模块701还用于根据以下步骤构建进行去鳞效果监测的神经网络模型：
[0174]
步骤a：确定训练数据集，验证数据集和测试数据集；
[0175]
步骤b：构建第一神经网络模型；
[0176]
步骤c：将所述训练数据集和验证数据集导入所述第一神经网络模型进行学习；
[0177]
步骤d：当训练次数超过预设的次数门限，并且训练得到的平均精度均值大于预设的精度门限时，则执行步骤e，否则调整参数继续执行步骤c；
[0178]
步骤e：使用测试数据集对模型进行测试，当测试得到的平均精度均值小于预设的精度门限时，调整参数继续执行步骤c；当测试得到的平均精度均值大于等于预设的精度门限时，停止训练得到所述预先确定的模型。
[0179]
优选的，所述模型构建模块701还用于根据以下步骤确定训练数据集，验证数据集和测试数据集：
[0180]
采集去鳞后的鱼的第二图像；
[0181]
将所述第二图像标记为无鱼鳞部分、损伤部分和鱼体部分，得到第一数据集；
[0182]
将第一数据集划分为训练数据集、验证数据集和测试数据集。
[0183]
优选的，所述模型构建模块701构建的第一神经网络模型包括：
[0184]
所述第一神经网络模型包括骨架网络，区域建议网络和后处理网络；
[0185]
所述骨架网络与所述区域建议网络连接，所述区域建议网络与所述后处理网络连接；
[0186]
所述骨架网络用于提取特征图像，并根据所述特征图像生成锚框，并将所述锚框输入所述区域建议网络；
[0187]
所述区域建议网络用于根据输入的锚框，进行二值分类以及边界框的回归，删除无用的锚框，降剩余的锚框输入所述后处理网络；
[0188]
所述后处理网络根据输入的锚框，进行分类，边界回框回归和掩膜生成。
[0189]
优选的，所述骨架网络包括：
[0190]
所述骨架网络从左至右分为c层，m层和p层；
[0191]
其中所述c层为残差网络，包括5个层，自下而上分为c1层，c2层，c3层，c4层和c5层，c1层为所述第一图像的输入层；
[0192]
所述m层为fpn网络，包括5个层，自下而上分为m1层，m2层，m3层，m4层和m5层；
[0193]
所述p层为横向连接网络，包括5个层，自下而上分为p2层，p3层，p4层，p5层和p6层；
[0194]
所述c2层的输入为c1层的输出，所述c3层的输入为c2层的输出，所述c4层的输入为c3层的输出，所述c5层的输入为c4层的输出；
[0195]
所述m5层的输入为所述c5层的输出，所述m4层的输入为所述m5层的输出，所述m3层的输入为所述m4层的输出，所述m2层的输入为所述m3层的输出，所述m1层的输入为所述m2层的输出；
[0196]
所述p6层的输入为所述m5层的输出，所述p5层的输入为所述m5层的输出，所述p4层的输入为所述c4层的输出与所述m4层的输出之和，所述p3层的输入为所述c3层的输出与所述m3层的输出之和，所述p2层的输入为所述c2层的输出与所述m2层的输出之和。
[0197]
优选的，所述c1层，c2层，c3层和c4层还包括注意力模块；
[0198]
所述c1层，c2层，c3层和c4层的损失函数为：
[0199]
l＝l
cls
l
box
l
mask
l
edge
，
[0200]
其中，l
edge
为边缘损失，且：
[0201][0202]
l
cls
是分类损失
[0203]
l
box
是边界框损失
[0204]
l
mask
是掩膜损失
[0205]
y是边缘真实值
[0206]
y^是预测的边缘
[0207]
需要说明的是，本实施例提供的模型构建模块701，能实现实施例一中构建第一神经网络模型包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
[0208]
需要说明的是，本实施例提供的图像拍摄模块702，能实现实施例一中s101的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
[0209]
需要说明的是，本实施例提供的结果计算模块703，能实现实施例一中s103和s104的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
[0210]
需要说明的是，实施例二提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例二提供的装置能实现实施例一的所有方法，相同之处不再赘述。
[0211]
实施例三
[0212]
基于同一个发明构思，本发明实施例还提供了一种鱼的去鳞效果检测装置，如图8所示，该装置包括：
[0213]
包括存储器802、处理器801和用户接口803；
[0214]
所述存储器802，用于存储计算机程序；
[0215]
所述用户接口803，用于与用户实现交互；
[0216]
所述处理器801，用于读取所述存储器802中的计算机程序，所述处理器801执行所述计算机程序时，实现：
[0217]
拍摄去鳞鱼体的第一图像；
[0218]
将所述去鳞鱼体的第一图像导入预先确定的模型中进行检测；
[0219]
根据检测结果得到无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素
数；
[0220]
根据所述无鱼鳞部分的像素数，损伤部分的像素数和鱼体部分的像素数计算去鳞率和损伤率。
[0221]
其中，在图8中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器801代表的一个或多个处理器和存储器802代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器801负责管理总线架构和通常的处理，存储器802可以存储处理器801在执行操作时所使用的数据。
[0222]
处理器801可以是cpu、asic、fpga或cpld，处理器801也可以采用多核架构。
[0223]
处理器801执行存储器802存储的计算机程序时，实现实施例一中的任一鱼的去鳞效果检测方法。
[0224]
需要说明的是，实施例三提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一的所有方法，相同之处不再赘述。
[0225]
本技术还提出一种处理器可读存储介质。其中，该处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现实施例一中的任一鱼的去鳞效果检测方法。
[0226]
需要说明的是，本技术实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0227]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0228]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0229]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0230]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精
神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。