一种基于Resnet和随机森林融合的鱼类分类方法与流程

技术特征：
1.一种基于resnet和随机森林融合的鱼类分类方法，其特征在于，它包括以下步骤：1.进行数据集的采集、选择，采集若干类海洋鱼类作为初始数据集；2.进行数据集预处理；3.进行数据集的增强；4.进行特征提取网络的构造和图像特征提取，提取出若干类鱼的特征信息；5.进行随机森林的构造，将若干类鱼的特征信息放入随机森林分类器中进行训练；6.构造特征提取网络和随机森林鱼类分类模型；采用所构造的鱼类分类模型进行鱼类的分类。2.根据权利要求1所述的方法，其特征在于，在步骤1中，收集拍摄海洋鱼类图片，做好鱼类种类标签和数量的对应整理。3.根据权利要求2所述的方法，其特征在于，在步骤2中，包括以下步骤：1)使用预训练的多类别目标检测网络模型、使用网上公开的鱼类数据集进行鱼类目标检测训练；2)进行鱼类图片的目标定位，保留少量的背景信息，裁剪出只有鱼类目标的矩形区域。4.根据权利要求1所述的方法，其特征在于，在步骤3中，包括以下步骤：1)进行图像翻转：对鱼类图像进行水平翻转或者是垂直翻转；2)进行图像旋转：将鱼类图像旋转一定角度；3)进行图像平移：将鱼类图像沿水平方向平移或者竖直方向平移；4)进行对比度变换：改变鱼类图像的s和v亮度分量；5)噪声扰动：对鱼类图像进行椒盐噪声或者高斯噪声；通过以上步骤，扩展每类鱼的图像的数量，并随机打散划分成若干张鱼类训练集和若干张鱼类验证集。5.根据权利要求1所述的方法，其特征在于，在步骤4中，包括以下步骤：1)将步骤3获得的鱼类图片输入resnet网络中，输入图像为多通道，大小为h
×
w，经过一个卷积核为f，卷积核个数为k，步长为s，在使用cnn处理图像信息时，输入图像中的大部分边缘像素只被卷积核操作一次，而图像中间的像素会被多次扫描；这在一定程度上降低了边界信息的参考程度；另一方面，在使用零填充后，新边界对实际处理的某个部分有影响；在某种程度上，这个问题是可以解决的；同时，可以对不同尺寸的输入图像进行补齐，使其大小一致；设输入尺寸为(h,w)，后置尺寸为(fh,fw)，输出尺寸为(oph,opw)，填充长度为p，步幅为s，则输出尺寸公式如下零填充大小为p的卷积操作，输出的大小为h1
×
w1
×
k计算公式如式(1)、式(2)所示：公式如式(1)、式(2)所示：2)将步骤1)得出的结果经过batch normalization层，能够加速网络收敛和控制过拟合，在bn层中，均值：μ，方差：δ，偏移：β，可学习参数：γ，一个较小数(防止分母为0)：∈，输入为x，输出为y，计算公式如式(3)、式(4)所示：
y＝γx1 β
ꢀꢀꢀ
(4)3)再经过修正线性单元relu激活函数，偏置为：b,权重为：w,转置矩阵为t，输入为x，输出为y,计算公式如式(5)所示：y＝max(0，w
t
×
x b)
ꢀꢀꢀꢀꢀ
(5)4)再经过最大池化层maxpool,得出第一阶段的特征图；5)将步骤4)的输出特征图输入到第二阶段，第二阶段由3个bottleneck组成，第1个bottleneck将图像通道增加4倍，第2个和第3个bottleneck保持通道和图像大小不变，得到特征图；6)将步骤5)的输出特征图输入到第三阶段，第三阶段由4个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2个、第3个和第4个bottleneck保持通道和图像大小不变，得到特征图；7)将步骤6)的输出特征图输入到第四阶段，第四阶段由6个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2、3、4、5、6个bottleneck保持通道和图像大小不变，得到特征图；8)将步骤7)的输出特征图输入到第五阶段，第五阶段由3个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2个和第3个bottleneck保持通道和图像大小不变，得到特征图；9)将步骤8)得到的特征图经过输出大小为1
×
1的平均池化层，减小计算的参数量，防止过拟合，再经过展平操作，得出维度为d的图像特征向量；10)resnet网络选用nllloss损失函数，在nllloss损失函数中，输入为x,目标为y,权重为w,批次大小为n(从n＝1开始)，输出为l(x，y)，默认还原为“mean”,它的计算公式如式(6)所示：11)网络权重的更新，预测结果和实际结果的计算损失进行网络节点的更新；12)获取训练集的特征集，将数据集经过上述步骤1)至11)更新之后的特征提取网络，得出大小为n，长度为d的图像特征集。6.根据权利要求5所述的方法，其特征在于，在步骤5中，具体包括以下步骤：1)进行特征样本集的选择，使用步骤4中获取的图像特征集，每轮从图像特征集中通过bootstraping(有放回抽样)的方式抽取n个样例，得到一个大小为n的样本子集，用来训练一个决策树，共进行x轮的抽取，一共生成x个决策树；2)进行决策树的生成，图像特征集中每张图像的特征向量为d维，在每一轮生成决策树的过程中，从d个特征中随机选择其中的若干个特征组成一个新的特征子集，通过使用新的特征子集来生成决策树，在生成决策树的过程中，由于这x个决策树在训练集的选择和特征的选择上都是随机的，因此各个决策树之间是相互独立的，在决策树节点的特征选择使用“gini”量化评估标准,表示在样本集合中一个随机选中的样本被分错的概率，“gini”指数越小表示集和被选中的样本被分错的概率越小，即集合的纯度越高，分类类别数为k(从k＝1开始)，样本属于第k类的概率为p
k
，概率分布按照式(7)计算：
3)进行决策树的组合，由于生成的x个决策树之间是相互独立的，每个决策树的重要性是相等的，因而在将它们进行组合时，无需考虑他们的权值，或者可以认为他们具有相同的权值，对于分类问题，最终的分类结果使用所有的决策树投票来确定最终分类结果。7.根据权利要求1所述的方法，其特征在于，在步骤6中，将步骤4构造的resnet特征提取器和步骤5构造的随机森林分类器进行整合，构造出resnet 随机森林的鱼类分类模型。

技术总结
一种基于Resnet和随机森林融合的鱼类分类方法，它包括以下步骤：1.进行数据集的采集、选择，采集若干类海洋鱼类作为初始数据集；2.进行数据集预处理；3.进行数据集的增强；4.进行特征提取网络的构造和图像特征提取，提取出若干类鱼的特征信息；5.进行随机森林的构造，将若干类鱼的特征信息放入随机森林分类器中进行训练；6.构造特征提取网络和随机森林鱼类分类模型；采用所构造的鱼类分类模型进行鱼类的分类。本发明能够在特征信息充分提取的前提下，保证鱼类分类的准确率。保证鱼类分类的准确率。保证鱼类分类的准确率。


技术研发人员：陈露露 臧兆祥 黄天星
受保护的技术使用者：三峡大学
技术研发日：2021.11.03
技术公布日：2022/3/21