一种深海鱼类图像分类识别方法，值得收藏！

背景技术：

我国是世界主要海洋国家之一，海域面积超过300万平方公里。 我国广阔的海域孕育着极为丰富的生物资源。 据统计，我国海洋生物资源达20278种，其中鱼类3000多种。 种类，约占世界鱼类种类的20%，但我国目前海洋资源开发利用水平较低，海洋经济发展总体水平不高；

鱼类鉴定是海洋鱼类资源检测的第一步，是开发利用海洋资源的重要依据。 然而，由于深海鱼类的形状和大小不同，任务复杂度高于其他识别任务。 鱼的种类很多，而同一种鱼的不同种类通常具有相似的形状、大小、纹理颜色，这进一步增加了鱼类识别的难度。 因此，开展深海高新技术研究，特别是深海鱼类相关技术研究，对于海洋生物资源的有效开发利用和我国的长远发展具有重大的战略意义。

技术实现要素：

本发明的目的是提供一种深海鱼类图像分类识别方法，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明提供如下技术方案：一种深海鱼类图像分类识别方法，包括以下步骤：

步骤1、根据深海鱼类的鳍位置信息、鱼体尺寸信息、鱼尾形状信息和体色信息，建立鱼类状态多源信息数据库，将鱼的状态相似度划分为0-1；

步骤2：基于BP算法建立三层神经网络深海鱼类，包括输入层、隐藏层和输出层； 输入层：接受外部信号和数据，综合鱼鳍位置信息量、鱼体大小信息量、鱼体信息量。 以尾形信息和体色信息指标作为输入层的节点；

输出层：采用ANN网络中的bp网络模型，通过bp网络神经模型将定性转化为定量输出，并对设定的输出结果进行综合评价；

隐藏层：基于神经元数算法构建网络，建立简单高效的模型；

步骤3：根据神经网络工具设置各种参数，并对神经网络进行训练和验证；

步骤4：建立图像采集模块； 用于获取深海鱼类图像数据，然后将捕获的图像数据上传到多源信息数据库进行进一步处理；

步骤5：将鱼鳍位置信息、鱼大小信息、鱼尾形状信息和体色信息的数据引入训练好的神经网络中，得到p1、p2、p3和p4的相关值；

步骤6：根据得到的p1、p2、p3、p4的值进行计算，得到本次鱼类评估的各个状态量的具体值；

步骤7：输入本次状态评估的各个状态量的具体值，输出综合评估结果p；

步骤8：将得到的结果p输入多源信息数据库中，对深海鱼类进行分类识别。

优选地，状态相似度可以分为五种状态：0-0.2分为i度相似度，0.2-0.4分为ii度相似度，0.4-0.6分为iii度相似度，0.6-0.8分为v度相似度。相似度，0.8-1分为vi个相似度。

优选地，步骤三中，所述参数为校正率、训练次数和训练目标误差。

优选地，步骤四中需要对图像进行预处理。 对采集到的鱼图像进行预处理后，读取图像，调整大小并转换数据。

优选地，步骤四中，图像采集模块包括：水下摄像设备、仪器接口、水下连接模块、数据缓冲转发模块和分解成帧预处理模块。

优选地，在步骤八中，多源信息数据库获取结果并显示，例如：鱼a＝0.5，鱼b＝0.63，鱼c＝0.72，鱼d＝0.82。

本发明提供了一种深海鱼类图像分类识别方法。 本发明的有益效果是：采用多指标评分体系，为鱼类多指标评分评价体系提供标准，制定了综合评分分级方法。 标准中，根据深海鱼类四类信息的特点，分别制定了鱼类类别状态评估的四类信息评分规则，并基于神经网络的评分作为评估算法。四类信息得到综合得分，可以作为鱼类分类的依据。 在此基础上，综合各种数据和参数，全面、准确地评估深海鱼类的类别，为深海鱼类的分类提供科学依据，可以有效开发利用深海鱼类资源和具有长远发展的战略意义。

详细方式

下面结合本发明实施例，对本发明实施例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发明部分实施例，而不是全部实施例。 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他实施例，都属于本发明保护的范围。

本发明提供的技术方案是：一种深海鱼类图像分类识别方法，包括以下步骤： 步骤一、根据深海鱼类的鳍位置信息、鱼体大小信息、鱼尾形状信息和体色信息-海鱼 定量建立鱼类状况多源信息数据库，将鱼类状况相似度划分为0-1。 状态相似度可分为五种状态：0-0.2分为i度相似度，0.2-0.4分为ii度相似度。 相似度，0.4-0.6划分为iii相似度，0.6-0.8划分为v相似度，0.8-1划分为vi相似度； 步骤2：基于bp算法建立三层神经网络，包括输入层、隐含层和输出层； 输入层：接受外部信号和数据，以鳍位置信息、鱼尺寸信息、鱼尾形状信息和体色信息等指标作为输入层的节点。 输出层：利用ann网络中的​​bp网络模型，通过bp网络神经模型将定性转化为定量输出，并对设定的输出结果进行综合评价； 隐藏层：基于神经元数算法构建网络，建立简单高效的模型； 步骤3.根据神经网络工具设置各种参数，并对神经网络进行训练和验证。 参数为校正率、训练次数和训练目标误差； 步骤4：建立图像采集模块； 用于获取深海鱼类图像数据，然后将捕获的图像数据上传到多源信息数据库进行进一步处理。 图像需要进行预处理。 对采集到的鱼图像进行预处理后，读取图像，调整大小并转换数据。 图像采集模块包括：水下摄像设备、仪器接口、水下连接模块、数据缓存与转发模块以及分解成帧预处理模块； 步骤5：分离出鱼鳍位置信息、鱼体大小信息、鱼尾形状信息和体色信息的数据，将其引入到训练好的神经网络中，得到p1、p2、p3和的相关值p4; 步骤6：根据得到的p1、p2、p3、p4的值进行计算，得到本次鱼类评估的各个状态数量的具体值； 步骤7：输入本次状态评估的各个状态量的具体值，输出综合评估结果p； 步骤8：将得到的结果p输入多源信息数据库对深海鱼类进行分类识别，多源信息数据库获取结果并显示，如：鱼a=0.5，鱼b=0.63，鱼c=0.72，鱼d=0.82。

尽管已经示出和描述了本发明的实施例，但是本领域普通技术人员将理解，在不脱离本发明的原理和精神的情况下，可以对这些实施例进行各种改变、修改和替换。 和修改，本发明的范围由所附权利要求及其等同物限定。

技术特点：

1、一种深海鱼类图像分类识别方法，其特征在于，包括以下步骤：

步骤1.根据深海鱼类的鳍位置信息、鱼体尺寸信息、鱼尾形状信息和体色信息建立鱼类状态多源信息数据库，将鱼的状态相似度划分为0-1；

步骤2：建立基于BP算法的三层神经网络，包括输入层、隐含层和输出层； 在哪里

输入层：接受外部信号和数据，以鳍位置信息、鱼体大小信息、鱼尾形状信息、体色信息等指标作为输入层的节点；

输出层：采用ANN网络中的bp网络模型，通过bp网络神经模型将定性转化为定量输出，并对设定的输出结果进行综合评价；

隐藏层：基于神经元数算法构建网络，建立简单高效的模型；

步骤3：根据神经网络工具设置各种参数，并对神经网络进行训练和验证；

步骤4：建立图像采集模块； 用于获取深海鱼类图像数据，然后将捕获的图像数据上传到多源信息数据库进行进一步处理；

步骤5：将鱼鳍位置信息、鱼大小信息、鱼尾形状信息和体色信息的数据引入训练好的神经网络中，得到p1、p2、p3和p4的相关值；

步骤6：根据得到的p1、p2、p3、p4的值进行计算，得到本次鱼类评估的各个状态量的具体值；

步骤7：输入本次状态评估的各个状态量的具体值，输出综合评估结果p；

步骤8：将得到的结果p输入多源信息数据库中，对深海鱼类进行分类识别。

2.根据权利要求1所述的一种深海鱼类图像分类识别方法，其特征在于：步骤一中，状态相似度可分为五种状态：0-0.2分为i度相似度，0.2-0.4分为i度相似度。将相似度划分为ii，将0.4-0.6划分为iii相似度，将0.6-0.8划分为v相似度，将0.8-1划分为vi相似度。

3.根据权利要求1所述的深海鱼类图像分类识别方法，其特征在于：步骤三中，所述参数为校正率、训练次数和训练目标误差。

4.根据权利要求1所述的深海鱼类图像分类识别方法，其特征在于：步骤四中需要对图像进行预处理，对采集到的鱼类图像进行预处理后读取图像。 、调整大小和数据转换。

5.根据权利要求1所述的深海鱼类图像分类识别方法，其特征在于：步骤四中，所述图像采集模块包括：水下摄像设备、仪器接口、水下连接模块、数据缓存。 转发模块又分解为帧预处理模块。

6.根据权利要求1所述的深海鱼类图像分类识别方法，其特征在于：步骤八中，多源信息数据库获取结果并显示，如：a鱼＝0.5，b鱼＝0.63 ，C鱼=0.72，D鱼=0.82。

技术总结

本发明公开了一种深海鱼类图像分类识别方法，其特征在于，包括以下步骤： 步骤一：根据深海鱼类的鳍位置信息、鱼体大小信息、鱼尾形状信息和体色信息-海鱼 定量建立鱼类状况多源信息数据库，将鱼类状况相似度划分为0-1； 步骤2、建立基于BP算法的三层神经网络； 步骤3、基于神经网络工具进行设置准备各项参数，并对神经网络进行训练和验证。 本发明分别制定了鱼类类别状态评估的四类信息评分规则，并以神经网络为评估算法，结合四类信息的评分得到综合得分，作为鱼类分类的依据。并集成各种类型的数据和参数。 全面准确评估深海鱼类种类，为深海鱼类分类提供科学依据，有效开发利用深海鱼类资源，实现长远发展的战略意义。

技术研发人员：刘建明； 刘晃; 任凯琪

受保护技术使用者：桂林电子科技大学

技术研发日：2020.05.07

技术公告日期：2020年8月11日

Tags：神经网络模型 类图 分类数据 深海生物