CN108363970A - 一种鱼种类的识别方法和系统 - Google Patents

一种鱼种类的识别方法和系统 Download PDF

Info

Publication number
CN108363970A
CN108363970A CN201810105729.3A CN201810105729A CN108363970A CN 108363970 A CN108363970 A CN 108363970A CN 201810105729 A CN201810105729 A CN 201810105729A CN 108363970 A CN108363970 A CN 108363970A
Authority
CN
China
Prior art keywords
fisrt feature
wavelet
neural network
textural characteristics
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810105729.3A
Other languages
English (en)
Other versions
CN108363970B (zh
Inventor
曲海平
张红艳
岳峻
寇光杰
张志旺
李振波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Haixin Technology Co ltd
Original Assignee
Ludong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ludong University filed Critical Ludong University
Priority to CN201810105729.3A priority Critical patent/CN108363970B/zh
Publication of CN108363970A publication Critical patent/CN108363970A/zh
Application granted granted Critical
Publication of CN108363970B publication Critical patent/CN108363970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明提供一种鱼种类的识别方法和系统。其中方法包括：利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；提取第一轮廓图像中的纹理特征和第一特征，将第一特征组成特征向量；将待识别图像的特征向量输入训练好的小波神经网络模型，获得鱼种类的识别结果。系统包括：轮廓提取模块，用于提取待识别图像中鱼的轮廓，获取第一轮廓图像；特征提取模块，用于提取第一轮廓图像中的纹理特征和第一特征，将第一特征组成特征向量；种类识别模块，用于将待识别图像的特征向量输入训练好的小波神经网络模型，获得鱼种类的识别结果。本发明提供的一种鱼种类的识别方法和系统，能显著提高识别正确率和效率。

Description

一种鱼种类的识别方法和系统
技术领域
本发明涉及机器学习技术领域，更具体地，涉及一种鱼种类的识别方法和系统。
背景技术
目前，海洋与淡水渔业快速发展，而鱼的种类繁多，为了提高鱼种类识别的准确度，迫切需要在图像识别技术与物联网技术的基础上，对鱼种类的快速准确的判别。
目前物种识别及分类方法，根据单一的从颜色特征或轮廓特征进行物种识别及分类，准确度不高，鲁棒性不强。
现有对鱼的种类进行识别的方法，多采用机器学习的方法。在提取特征时，提取鱼体的长度、宽度等形态特征或颜色特征，由于相近鱼类的形态、颜色具有相似性，识别的准确率不高；将形态特征与纹理特征、颜色特征等一起作为特征，需要处理的数据较多，识别的速度较慢。在进行识别分类时，基于支持向量机的方法可适用于二类分类时，但不适用多种鱼类的分类，且特征较多时耗费的时间和资源较多；基于BP神经网络的方法，训练速度较慢，导致识别的效率较低，且可能出现训练不成功的情况，导致识别鱼种类的正确率或效率较低。
发明内容
为克服现有鱼种类识别技术存在识别准确率和效率都较低的不足，本发明提供一种鱼种类的识别方法和系统。
根据本发明的第一方面，提供一种鱼种类的识别方法，包括：
S1、利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；
S2、提取所述第一轮廓图像中一定数量的纹理特征和第一特征，将所述第一特征组成特征向量；
S3、将所述待识别图像的特征向量输入训练好的小波神经网络模型，获得所述待识别图像中鱼种类的识别结果；
其中，所述第一特征通过对所述纹理特征进行因子分析获得，且所述第一特征的数量小于所述纹理特征的数量。
优选地，获取所述训练好的小波神经网络模型的具体步骤包括：
利用所述轮廓提取方法提取样本图像中鱼的轮廓，获取第二轮廓图像；
提取所述第二轮廓图像中一定数量的纹理特征，利用因子分析法对所述第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的所述第一特征，将所述第一特征组成特征向量；
将所述样本图像的特征向量输入小波神经网络模型，对所述小波神经网络进行训练，获得所述训练好的小波神经网络模型。
优选地，所述利用因子分析法对所述第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的所述第一特征的具体步骤包括：
利用主成分分析法分析所述纹理特征的相关系数矩阵的特征值，确定所述第一特征的数量，并获得因子载荷矩阵；
根据所述因子载荷矩阵，利用最大方差正交旋转法，确定纹理特征与第一特征之间的相关性；
根据相关性确定支配每一纹理特征的第一特征，对于每一第一特征，将由该第一特征支配的纹理特征组合成该第一特征。将分别由每一第一特征支配的若干个纹理特征组合成所述每一第一特征。
优选地，所述一定数量的纹理特征包括一定数量的纹理特征包括图像的灰度共生矩阵的能量、对比度、相关和熵，还包括图像的灰度共生矩阵的二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵中的至少一种。
优选地，所述将所述样本图像的特征向量输入小波神经网络模型，对所述小波神经网络进行训练，获得所述训练好的小波神经网络模型的具体步骤包括：
将所述样本图像的特征向量输入小波神经网络模型，调整小波神经网络模型的待定参数的取值，直至所述待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值，获取所述待定参数的特定取值确定的小波神经网络模型作为所述训练好的小波神经网络模型；
其中，所述待定参数包括隐含层的神经元数量、权值、小波的尺度伸缩因子和时间平移因子。
优选地，所述调整小波神经网络模型的待定参数的取值，直至所述待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值的具体步骤包括：
调整权值、小波的尺度伸缩因子和时间平移因子的取值，当所述小波神经网络的输出的误差大于误差阈值且学习次数达到预设的最大学习次数时，增加1个隐含层神经元，直至所述小波神经网络的输出的误差小于所述误差阈值；
其中，所述隐含层神经元的初始数量为1个。
优选地，所述轮廓提取方法的具体步骤包括：
将图像灰度化得到灰度图像，利用高斯拉普拉斯算子对所述灰度图像进行滤波，检测滤波后的所述灰度图像中的零交叉点，将所述零交叉点组成鱼的轮廓。
根据本发明的第二方面，提供一种鱼种类的识别系统，包括：
轮廓提取模块，用于利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；
特征提取模块，用于提取所述第一轮廓图像中一定数量的纹理特征和第一特征，将所述第一特征组成特征向量；
种类识别模块，用于将所述待识别图像的特征向量输入训练好的小波神经网络模型，获得所述待识别图像中鱼种类的识别结果；
其中，所述第一特征通过对所述纹理特征进行因子分析获得，且所述第一特征的数量小于所述纹理特征的数量。
根据本发明的第三方面，提供一种计算机程序，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如前所述的方法。
根据本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。
本发明提供的一种鱼种类的识别方法和系统，通过提取图像的纹理特征，对纹理特征进行降维获得第一特征，将第一特征组成的特征向量作为小波神经网络模型输入层的最终值，通过小波神经网络模型的输出获得鱼种类的识别结果，能兼顾鱼种类识别的正确率和效率，显著提高了识别正确率和效率。
附图说明
图1为本发明实施例一种鱼种类的识别方法的流程图；
图2为本发明实施例一种鱼种类的识别系统的功能框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，除非另有说明，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
图1为本发明实施例一种鱼种类的识别方法的流程图。如图1所示，一种鱼种类的识别方法包括：步骤S1、利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；步骤S2、提取第一轮廓图像中一定数量的纹理特征和第一特征，将第一特征组成特征向量；步骤S3、将待识别图像的特征向量输入训练好的小波神经网络模型，获得待识别图像中鱼种类的识别结果；其中，第一特征通过对纹理特征进行因子分析获得，且第一特征的数量小于纹理特征的数量。
需要说明的是，本发明提供的鱼种类的识别方法，基于鱼的图像进行鱼种类的识别，适用但不限于鱼类保护、渔业网上交易等多种场合。
具体地，步骤S1，首先，提取待识别图像中鱼的轮廓。
提取待识别图像中鱼的轮廓时，可以从图像处理方法中选择合适的轮廓提取方法进行提取，得到待识别图像中鱼的轮廓，将待识别图像中鱼的轮廓图像作为第一轮廓图像。
步骤S2，获得第一轮廓图像后，从第一轮廓图像中，提取一定数量的纹理特征。
一定数量，指数量为多个。
纹理作为一种区域特征，是对于图像各像元之间空间分布的一种描述。由于纹理能充分利用图像信息，无论从理论上或常识出发它都可以成为描述与识别图像的重要依据，与其他图像特征相比，它能更好地兼顾图像宏观性质与细微结构两个方面，因此纹理成为目标识别需要提取的重要特征。纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征。纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系。
一般利用灰度共生矩阵描述图像的纹理状况，将灰度共生矩阵的各种统计量作为纹理特征。
为了使鱼种类的识别更准确，需要对每个鱼种类的特征描述更准确，从而需要获取图像尽量多的纹理特征。但提取的纹理特征数量越多，计算和处理数据耗费的系统资源和时间越多，识别的效率越低。因此，为了在具有较高的对每个种类的鱼的特征描述的准确性的前提下，具有较高的识别效率，需要对提取到的多个纹理特征进行优化，确定数量较少的特征。
从第一轮廓图像中提取一定数量的纹理特征后，根据一定数量的纹理特征，利用因子分析法对纹理特征进行分析，获得一定数量的第一特征。第一特征的数量小于纹理特征的数量。
根据实际情况，第一特征的数量可以为至少两个。
因子分析以最少的信息丢失，将原始众多变量综合成较少的几个综合指标，能够起到有效降维的目的，同时也保留了原变量的大部分数据信息。降维并不是要减少指标，而是将大量的指标通过因子载荷综合考虑成少量指标，能更准确地反映鱼种类与各指标之间的关系。
通过上述过程，第一特征保留了第一轮廓图像尽可能多的纹理特征，且第一特征的数量小于纹理特征的数量。因此，计算和处理第一特征时耗费的系统资源和时间较少。
获得一定数量的第一特征后，将一定数量的第一特征组成待识别图像的特征向量。
步骤S3，通过步骤S2获得待识别图像的特征向量后，将待识别图像的特征向量输入训练好的小波神经网络模型，根据训练好的小波神经网络模型的输出，获取待识别图像中鱼种类的识别结果。
人工神经网络没有任何假设的概率分布，是模式识别和误差最小化的过程，在每一次经验中提取和学习信息。
小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络，即用非线性小波基取代了通常的非线性Sigmoid函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。
小波神经网络包括输入层、隐含层和输出层，隐含层可以根据实际需求，确定为一层或多层。每层隐含层的神经元的数量要合适。
训练好的小波神经网络模型的输入向量X＝(x1,x2,...,xn)T，即由待识别图像对应的第一轮廓图像的在n个第一特征组成。隐含层输出向量为G(X)＝(g1(x),g2(x)，...gn(x))T为小波函数，包括尺度伸缩因子aij,时间平移因子bij。输入层神经元i到隐含层神经元j的权值为Wij，隐含层神经元j到输出层神经元k的权值是Vjk。θi和Φi分别代表输出层神经元和隐含层神经元的阈值。
本发明实施例通过提取图像的纹理特征，对纹理特征进行降维获得第一特征，将第一特征组成的特征向量作为小波神经网络模型输入层的最终值，通过小波神经网络模型的输出获得鱼种类的识别结果，能兼顾鱼种类识别的正确率和效率，极大提高了识别正确率和效率。进一步地，基于小波神经网络，通过利用数字图像技术，提取鱼的特征，准确、快速地进行鱼种类的识别，识别的鱼种类可以为多种，一方面能保护稀有鱼种类；另一方面，由于鱼的种类繁多，在进行网上交易时，能更准确，更方便地识别鱼的种类，从而降低人工经验所带来的损失，有助于与渔业有关的电子商务的发展。
基于上述实施例，获取训练好的小波神经网络模型的具体步骤包括：利用轮廓提取方法提取样本图像中鱼的轮廓，获取第二轮廓图像；提取第二轮廓图像中一定数量的纹理特征，利用因子分析法对第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的第一特征，将第一特征组成特征向量；将样本图像的特征向量输入小波神经网络模型，对小波神经网络模型进行训练，获得训练好的小波神经网络模型。
具体地，利用样本图像对小波神经网络模型进行训练，来获得训练好的小波神经网络模型。
样本图像，是指数量较多的已采集的各种类的鱼的图像，图像中鱼的种类已知。例如，鲤鱼、鲫鱼、草鱼、鲢鱼、鳊鱼等，但不限于此。
从图像处理方法中选择合适的轮廓提取方法，提取样本图像中鱼的轮廓，将样本图像中鱼的轮廓图像作为第二轮廓图像。
从样本图像中提取鱼的轮廓所用的轮廓提取方法，与从待识别图像中提取鱼的轮廓所用的轮廓提取方法相同。
获得第二轮廓图像后，从第二轮廓图像中，提取一定数量的纹理特征。
从第二轮廓图像中提取一定数量的纹理特征后，利用因子分析法对各第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的第一特征。
因子分析(factor analysis)是指研究从变量群中提取共性因子的统计方法。
因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
假设原有变量有p个，分别用x1,x2,x3...xp表示，且每个变量的均值是0，标准差是1，现将每个原有变量用k(k<p)个因子f1,f2,f3...fk的线性组合来表示，即：
x1＝a11f1+a12f2+...a1kfk+m1
x2＝a21f1+a22f2+...a2kfk+m2
……
xp＝ap1f1+ap2f2+...apkfk+mp
aij称为因子载荷，是第i个变量在第j个指标上的负荷。因子载荷越大说明因子与变量的相关性越强，所以因子载荷说明了因子对变量的重要作用和程度。
由此可见，在因子分析中，重要的是要求解出载荷因子的值。
因子分析的方法有两类。一类是探索性因子分析法，另一类是验证性因子分析。探索性因子分析不事先假定因子与原有变量之间的关系，而是从数据中获取因子与原有变量之间的关系。
主成分分析和共因子分析是探索性因子分析法中的典型方法。
因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。
因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子或主因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。
旋转的方法有很多，正交旋转(orthogonal rotation)和斜交旋转(obliquerotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。
利用因子分析法，可以将全部纹理特征组合为数量较少的第一特征。确定第一特征后，将从第二轮廓图像中获取的第一特征，组成样本图像的特征向量。
获得样本图像的特征向量后，将样本图像的特征向量输入小波神经网络模型，对小波神经网络模型进行训练。在训练过程中，通过小波神经网络模型对样本图像的学习，完成训练，获得训练好的小波神经网络模型。
对于小波神经网络模型，小波基元及整个小波神经网络结构的确定有可靠的理论根据，可避免BP神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力，结构简单，收敛速度更快。此外，小波神经网络能够通过小波函数的伸缩平移和小波变换对信号进行多尺度分析，进而更有效地提取局部信息。
训练小波神经网络时，选择各种类鱼的样本进行训练，每类样本的个数要近似相等。一方面为了防止训练后网络对样本多的类别响应过于敏感；另一方面可以大幅度提高训练速度，避免网络陷入局部最小点。
本发明实施例通过因子分析法分析纹理特征，获得数量小于纹理特征的第一特征，在具有较高的鱼种类的识别准确率的前提下，减少了计算量，使得计算和处理第一特征时耗费的系统资源和时间较少，提高了鱼种类的识别效率。进一步地，利用小波神经网络模型进行训练和识别，避免了BP神经网络等结构设计上的盲目性，训练和识别的效率更高、速度更快。
基于上述实施例，利用因子分析法对第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的第一特征的具体步骤包括：利用主成分分析法分析纹理特征的相关系数矩阵的特征值，确定第一特征的数量，并获得因子载荷矩阵；根据因子载荷矩阵，利用最大方差正交旋转法，确定纹理特征与第一特征之间的相关性；根据相关性确定支配每一纹理特征的第一特征，对于每一第一特征，将由该第一特征支配的纹理特征组合成该第一特征。将分别由每一第一特征支配的若干个纹理特征组合成每一第一特征。
具体地，提取第二轮廓图像中一定数量的纹理特征后，利用因子分析法，对第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的第一特征。利用因子分析法确定第一特征因子的具体步骤如下。
第二轮廓图像的纹理特征的最大值和最小值未知，为了使各第二轮廓图像的纹理特征满足均值为0、标准差为1的条件，对各第二轮廓图像的纹理特征的值的原数据进行处理，将其标准分数(也称z分数，z-score)作为新数据，将新数据作为后面步骤的处理对象。
新数据＝(原数据-均值)/标准差
根据各第二轮廓图像的纹理特征的新数据，计算每个纹理特征的相关系数，获得相关系数矩阵。
相关系数为两个纹理特征之间的协方差。
获得相关系数矩阵后，计算相关系数矩阵的特征值和特征向量。特征值越大，说明重要程度越大。
根据相关系数矩阵的特征向量，可以获得因子载荷矩阵。
作为一个可选实施例，确定第一特征的数量的具体步骤如下。
通过计算获取每一相关系数矩阵的特征值的贡献率。
第i个相关系数矩阵的特征值的贡献率Ci为：
其中，λi为相关系数矩阵的特征值中，第i个相关系数矩阵的特征值；p为相关系数矩阵的特征值的数量。
获得每一相关系数矩阵的特征值的贡献率后，将贡献率按照从大到小的顺序进行累加。直至累加获得的贡献率之和大于贡献率阈值。累加获得的贡献率之和，称为累计贡献率。当累计贡献率大于贡献率阈值时，将贡献率被累加的相关系数矩阵的特征值的数量，确定为第一特征的数量。
一般地，贡献率阈值为85％或80％。
当贡献率阈值为85％或80％时，说明贡献率被累加的相关系数矩阵的特征值可以反映纹理特征总信息的至少85％或80％，即第一特征基本保持了纹理特征的绝大部分信息。根据实际情况，也可以选择其他值作为贡献率阈值，或直接排除贡献率小于较小的阈值的特征因子，将剩余的特征值的数量确定为第一特征的数量。
例如，去掉贡献率小于1％的特征值，将剩余的特征值的数量，即献率大于1％的特征值的数量，确定为第一特征的数量。
例如，按照贡献率从大到小，提取的前六个相关系数矩阵的特征值依次为F1至F6，对应的贡献率依次为0.5983、0.1661、0.0880、0.0361、0.3555、0.0224，将贡献率按照从大到小的顺序进行累加获得的累计贡献率依次为0.5983、0.7645、0.8525、0.8886、0.9340、0.9464。当贡献率阈值为85％时，相关系数矩阵的特征值F1、F2和F3的贡献率之和已经大于85％，因此，第一特征的数量为3。
作为一个可选实施例，确定特征因子后，还可以根据特征因子对应的相关系数矩阵的特征值的大小确定第一特征。具体步骤包括：统计相关系数矩阵大于1的特征值的数量，将该数量确定为第一特征的数量。
确定第一特征的数量后，可以根据纹理特征的相关系数矩阵，获得因子载荷矩阵。
根据因子载荷矩阵，可以利用最大方差正交旋转法进行因子旋转，获得最大方差正交旋转因子载荷矩阵。
进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。
最大方差正交旋转因子载荷矩阵中每个元素的值，反映了纹理特征与第一特征之间的相关性。
根据纹理特征与第一特征之间的相关性，可以确定纹理特征由哪个第一特征支配。将纹理特征与第一特征之间的相关性最大的第一特征，确定为支配该纹理特征的第一特征。
根据纹理特征分别由哪个第一特征支配，将由该第一特征支配的若干个纹理特征组合成该第一特征；其中，每个纹理特征的系数为该纹理特征与第一特征对应的最大方差正交旋转因子载荷矩阵中的元素的值。
例如，纹理特征为14个、确定的第一特征为3个，获得的纹理特征与第一特征之间的相关性表1所示。
表1纹理特征与第一特征的相关性对应表
从上表可以看出，根据数据绝对值的大小可得，纹理特征X1是第二个第一特征支配，纹理特征X2是第二个第一特征支配，纹理特征X3是由第一个第一特征支配，同理，可以求出这十四种纹理特征分别由哪个第一特征支配。
第一个第一特征支配的纹理特征为X3、X6、X7、X9、X10、X11和X14。因此，将X3、X6、X7、X9、X10、X11和X14组合成第一个第一特征。
第一个第一特征等于
X3*0.71196+X6*0.53418+X7*0.78688+X9*0.91950+X10*0.69233+X11*0.75344+X14*0.94646
同理，可以获得第二个第一特征和第三个第一特征。
本发明实施例通过因子分析法确定第一特征，使得第一特征反映了纹理特征的绝大部分信息，在具有较高的鱼种类的识别准确率的前提下，减少了计算量，使得计算和处理第一特征时耗费的系统资源和时间较少，提高了鱼种类的识别效率。
基于上述实施例，一定数量的纹理特征包括图像的灰度共生矩阵的能量、对比度、相关和熵，还包括图像的灰度共生矩阵的二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵中的至少一种。
利用灰度共生矩阵进行纹理特征提取，首先对于一幅图像定义一个方向和一个以像素为单位的步长。对于灰度共生矩阵，则定义M(i,j)为灰度级i和j的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。
取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为k，则(g1，g2)的组合共有k2种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，在用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。距离差分值(a，b)取不同的数值组合，可以得到不同情况下的联合概率矩。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)、(1，1)、(2，0)等小的差分值。
当a＝1，b＝0时，像素对是水平的，即0度扫描；当a＝1，b＝0时，像素对是垂直的，即90度扫描；当a＝1，b＝1时，像素对是右对角线的，即45度扫描；当a＝-1，b＝-1时，像素对是左对角线，即135度扫描。
这四个角度的公式如下：
P(i,j,d,0°)＝#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)
|k-m＝0,|l-n|＝d,I(k,l)＝i,I(m,n)＝j}
P(i,j,d,45°)＝#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)
|(k-m＝d,l-n＝-d)or(k-m＝-d,l-n＝d),I(k,l)＝i,I(m,n)＝j}
P(i,j,d,90°)＝#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)
||k-m|＝d,l-n＝0,I(k,l)＝i,I(m,n)＝j}
P(i,j,d,135°)＝#{((k,l),(m,n))∈(Ly×Lx)×(Ly×Lx)
|(k-m＝d,l-n＝d)or(k-m＝-d,l-n＝-d),I(k,l)＝i,I(m,n)＝j}
这样，两个像素灰度级同时发生的概率，就将(x，y)的空间坐标转化为“灰度对”(g1，g2)的描述，形成了灰度共生矩阵。
一般利用灰度共生矩阵描述图像的纹理状况，将灰度共生矩阵的统计量作为纹理特征。
灰度共生矩阵的统计量包括能量、对比度、相关、熵、二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵等。其中，能量、对比度、相关、熵是比较重要的统计量。
能量，是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。
对比度(惯性矩)，反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。
相关，度量空间灰度共生矩阵元素在行或列方向上的相似程度。因此，相关值大小反映了图像中局部灰度的相关性。
其中，
熵，是图像所具有的信息量的度量。纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。
除上述四个统计量外，灰度共生矩阵还有逆差距(反映图像纹理的同质性，度量图像纹理局部变化的多少)、中值、协方差、同质性、反差、差异性及二阶矩等统计量。
由于能量、对比度、相关、熵是主要的纹理特征，本发明实施例中，在进行鱼种类识别时，可以将能量、对比度、相关、熵这4个纹理特征，加上二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵中的至少一种，共同作为提取的一定数量的纹理特征。
在实际的鱼种类识别中，对于每一纹理特征，可以将4个方向的灰度共生矩阵的该纹理特征的值的平均值，作为第一轮廓图像或第二轮廓图像的纹理特征的值。
表2示出了对半滑舌鳎、鲫鱼、鲤鱼、鲢鱼等四种鱼类提取灰度共生矩阵的能量、对比度、相关、熵这四个主要参数均值(分别提取0度，45度，90度，135度方向的参数值，然后取平均值)的部分数据。
表2灰度共生矩阵的纹理特征
鱼种类 能量均值 对比度均值 相关均值 熵均值
半滑舌鳎1 0.1559 0.5713 0.0813 2.7106
半滑舌鳎2 0.8824 0.1279 1.2676 0.4431
鲫鱼1 0.8041 0.5965 0.0731 0.7645
鲫鱼2 0.7347 0.0062 30.1243 0.5595
鲤鱼1 0.9828 0.0030 53.7906 0.0654
鲤鱼2 0.6533 7.4003 0.0661 1.3942
鲢鱼1 0.9994 0.0062 58.7576 0.0032
鲢鱼2 0.7491 0.4978 0.0664 0.8662
优选地，提取的纹理特征为14个，即图像的灰度共生矩阵的能量、对比度、相关、熵、二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵。
基于上述实施例，将样本图像的特征向量输入小波神经网络模型，对小波神经网络进行训练，获得训练好的小波神经网络模型的具体步骤包括：将样本图像的特征向量输入小波神经网络模型，调整小波神经网络模型的待定参数的取值，直至待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值，获取待定参数的特定取值确定的小波神经网络模型作为训练好的小波神经网络模型；其中，待定参数包括隐含层的神经元数量、权值、小波的尺度伸缩因子和时间平移因子。
具体地，对小波神经网络模型进行训练，确定小波神经网络模型的待定参数。
待定参数包括隐含层的神经元数量、权值、小波的尺度伸缩因子和时间平移因子。
优选地，隐含层选取的神经元激励函数为Morlet小波
其中，x表示隐含层神经元的输入，a尺度伸缩因子为，b为时间平移因子。
隐含层的输入为
其中，m为输入层神经元的编号，wkm为输入层神经元和隐含层神经元之间的权值。
隐含层的输出为：
其中，为输入层的输入，为隐含层的输出，为隐含层的输入，k为隐含层结点的编号，h()为Morlet小波函数，P为小波神经网络的输入的编号。
输出层的输入为
其中，wnk是隐含层k神经元与输出层n神经元之间的权值。
输出层的输出为
其中，是输出层的输入，为输出层的输出。
在训练过程中，通过小波神经网络模型的输出的误差确定小波神经网络模型的待定参数。
小波神经网络模型的输出的误差通过目标误差函数计算获得。
对于给定P(p＝1,2…,P)组样本图像，目标误差函数为：
其中，为输出层第n个神经元的期望输出，为输出层第n个神经元的实际输出。
当小波神经网络模型的输出的误差小于误差阈值时，获取此时的待定参数的值作为待定参数的特定取值，将待定参数的特定取值确定的小波神经网络模型作为训练好的小波神经网络模型。
可以根据实际情况，选择合适的误差阈值，提高训练效率以兼顾与种类识别的准确率和效率。
基于上述实施例，调整小波神经网络模型的待定参数的取值，直至待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值的具体步骤包括：调整权值、小波的尺度伸缩因子和时间平移因子的取值，当小波神经网络模型的输出的误差大于误差阈值且学习次数达到预设的最大学习次数时，增加1个隐含层神经元，直至小波神经网络模型的输出的误差小于误差阈值；其中，隐含层神经元的初始数量为1个。
具体地，调整小波神经网络模型的权值、小波的尺度伸缩因子和时间平移因子的取值。若小波神经网络的输出的误差小于误差阈值，则将此时的隐含层神经元的数量、权值、小波的尺度伸缩因子和时间平移因子的取值作为隐含层神经元的数量、权值、小波的尺度伸缩因子和时间平移因子的特定取值；若无论如何调整权值、小波的尺度伸缩因子和时间平移因子的取值，当学习次数达到预设的最大学习次数时，小波神经网络的输出的误差仍大于误差阈值，则增加1个隐含层神经元，重新调整小波神经网络模型的权值、小波的尺度伸缩因子和时间平移因子的取值，直至小波神经网络模型的输出的误差小于误差阈值。
其中，隐含层神经元与输出层神经元之间的权值调整式为
其中，wnk、w’nk分别为调整前、后输入层神经元n与隐含层神经元k之间的权值，Δwnk为动量因子，为输出层第n个神经元的期望输出。
尺度伸缩因子的调整式为
其中，a1k为调整前的尺度伸缩因子，a’1k为调整后的尺度伸缩因子，η为学习率，λ为动量因子(0<λ>1)，Δak是尺度伸缩因子动量项。
时间平移因子的调整式为
其中，b1k为调整前的时间平移因子，b’1k为调整后的时间平移因子，η为学习率，λ为动量因子(0<λ>1)，Δbk是时间平移因子动量项。
隐含层神经元的初始数量为1个，通过上述过程调整隐含层神经元的数量，及权值、小波的尺度伸缩因子和时间平移因子的取值，直至小波神经网络模型的输出的误差小于误差阈值，从而确定小波神经网络模型的待定参数的特定取值，并将待定参数的特定取值确定的小波神经网络模型作为训练好的小波神经网络模型。
基于上述实施例，作为一个优选实施例，轮廓提取方法的具体步骤包括：将图像灰度化得到灰度图像，利用高斯拉普拉斯算子对灰度图像进行滤波，检测滤波后的灰度图像中的零交叉点，将零交叉点组成鱼的轮廓。
具体地，作为一个优选实施例，基于高斯拉普拉斯算子对鱼的轮廓进行提取。
Marr理论根据神经生理学实验得出了以下结论：物体边界是将亮度图像与其解释连接起来的最重要的重要线索。因此，在进行鱼种类识别时，将提取鱼的轮廓。
边缘检测主要基于导数计算，会受到噪声的影响，因此，边缘检测算子对噪声敏感。而高斯拉普拉斯(Laplacian-of-Gaussian，简称LoG)算子，将Gauss平滑过滤器和Laplacian锐化滤波器结合了起来，Laplacian算子是各向同性的，能对任何走向的界线和线条进行锐化，无方向性，先平滑掉噪声，再进行边缘检测，效果更好。
首先，将图像灰度化得到灰度图像。
作为一种可选实施例，采用加权平均法对图像进行灰度化。
加权平均法对图像进行灰度化，是将R、G、B三个分量以不同的权值进行加权平均。
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中，(i,j)表示像素的坐标，f(i,j)表示像素(i,j)的灰度值，R(i,j)、G(i,j)、B(i,j)分别表示像素(i,j)的R、G、B三个分量的值。
获得灰度图像后，利用高斯拉普拉斯算子对灰度图像进行滤波。
式中即为LoG算子，又称为高斯拉普拉斯算子。
通过高斯算子获得灰度图像的平滑图像，对平滑图像进行拉普拉斯运算，对图像进行锐化，将邻域中灰度有显著变化的点突出显示。
求取经高斯拉普拉斯算子运算后的图像中的零交叉点的轨迹即可得到图像的边缘。
对原始灰度图像经高斯拉普拉斯算子滤波后，检测其中的零交叉点，将零交叉点作为边缘点，得到零交叉点组成的图像作为鱼的轮廓。
本发明实施例基于高斯拉普拉斯算子提取图像中鱼的轮廓，提取的鱼的轮廓更准确，能提高提取的纹理特征和第一特征的准确率，从而提高鱼种类识别的准确率。
图2为本发明实施例一种鱼种类的识别系统的功能框图。基于上述实施例，如图2所示，一种鱼种类的识别系统包括：轮廓提取模块201，用于利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；特征提取模块202，用于提取第一轮廓图像中一定数量的纹理特征和第一特征，将第一特征组成特征向量；种类识别模块203，用于将待识别图像的特征向量输入训练好的小波神经网络模型，获得待识别图像中鱼种类的识别结果；其中，第一特征通过对纹理特征进行主成分分析获得，且第一特征的数量小于纹理特征的数量。
具体地，轮廓提取模块201与特征提取模块202电连接，种类识别模块203分别与轮廓提取模块201、特征提取模块202电连接。
轮廓提取模块201从待识别图像中提取鱼的轮廓，获取第一轮廓图像，并将提取的第一轮廓图像发送给特征提取模块202。
特征提取模块202从第一轮廓图像中提取一定数量的纹理特征和第一特征，将第一特征组成特征向量，并将待识别图像的特征向量发送给种类识别模块203。第一特征通过对纹理特征的主成分分析法获得，且第一特征的数量小于纹理特征的数量
种类识别模块203将待识别图像的特征向量输入训练好的小波神经网络模型，获得待识别图像中鱼种类的识别结果。
本系统用于执行本发明提供的鱼种类的识别方法，系统包括的各模块实现相应功能的具体方法和流程详见上述鱼种类的识别方法的实施例，此处不再赘述。
本发明实施例通过提取图像的纹理特征，对纹理特征进行降维获得第一特征，将第一特征组成的特征向量作为小波神经网络模型输入层的最终值，通过小波神经网络模型的输出获得鱼种类的识别结果，能兼顾鱼种类识别的正确率和效率，极大提高了识别正确率和效率。进一步地，基于小波神经网络，通过利用数字图像技术，提取鱼的特征，准确、快速地进行鱼种类的识别，一方面能保护稀有鱼种类；另一方面，由于鱼的种类繁多，在进行网上交易时，能更准确，更方便地识别鱼的种类，从而降低人工经验所带来的损失，有助于与渔业有关的电子商务的发展。
基于上述实施例，本发明实施例公开一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述各方法实施例所提供的方法，例如包括：鱼的轮廓提取方法、第一特征的确定方法、小波神经网络的训练方法和鱼种类的识别方法等。
基于上述实施例，本发明实施例公开一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：鱼的轮廓提取方法、第一特征的确定方法、小波神经网络的训练方法和鱼种类的识别方法等。
本发明另一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：鱼的轮廓提取方法、第一特征的确定方法、小波神经网络模型的训练方法和鱼种类的识别方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后，本发明的上述实施例仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种鱼种类的识别方法，其特征在于，包括：
S1、利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；
S2、提取所述第一轮廓图像中一定数量的纹理特征和第一特征，将所述第一特征组成特征向量；
S3、将所述待识别图像的特征向量输入训练好的小波神经网络模型，获得所述待识别图像中鱼种类的识别结果；
其中，所述第一特征通过对所述纹理特征进行因子分析获得，且所述第一特征的数量小于所述纹理特征的数量。
2.根据权利要求1所述的鱼种类的识别方法，其特征在于，获取所述训练好的小波神经网络模型的具体步骤包括：
利用所述轮廓提取方法提取样本图像中鱼的轮廓，获取第二轮廓图像；
提取所述第二轮廓图像中一定数量的纹理特征，利用因子分析法对所述第二轮廓图像中一定数量的纹理特征进行分析，确定一定数量的所述第一特征，将所述第一特征组成特征向量；
将所述样本图像的特征向量输入小波神经网络模型，对所述小波神经网络模型进行训练，获得所述训练好的小波神经网络模型。
3.根据权利要求2所述的鱼种类的识别方法，其特征在于，所述利用因子分析法对所述第二轮廓图像中一定数量的纹理特征进行分析，确定所述第一特征的具体步骤包括：
利用主成分分析法分析所述纹理特征的相关系数矩阵的特征值，确定所述第一特征的数量，并获得因子载荷矩阵；
根据所述因子载荷矩阵，利用最大方差正交旋转法，确定纹理特征与第一特征之间的相关性；
根据相关性确定支配每一纹理特征的第一特征，对于每一第一特征，将由该第一特征支配的纹理特征组合成该第一特征。将分别由每一第一特征支配的若干个纹理特征组合成所述每一第一特征。
4.根据权利要求1至3任一所述的鱼种类的识别方法，其特征在于，所述一定数量的纹理特征包括：一定数量的纹理特征包括图像的灰度共生矩阵的能量、对比度、相关和熵，还包括图像的灰度共生矩阵的二阶距、逆差分矩、最大概率、方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差和共生差熵中的至少一种。
5.根据权利要求2所述的鱼种类的识别方法，其特征在于，所述将所述样本图像的特征向量输入小波神经网络模型，对所述小波神经网络进行训练，获得所述训练好的小波神经网络模型的具体步骤包括：
将所述样本图像的特征向量输入小波神经网络模型，调整小波神经网络模型的待定参数的取值，直至所述待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值，获取所述待定参数的特定取值确定的小波神经网络模型作为所述训练好的小波神经网络模型；
其中，所述待定参数包括隐含层的神经元数量、权值、小波的尺度伸缩因子和时间平移因子。
6.根据权利要求5所述的鱼种类的识别方法，其特征在于，所述调整小波神经网络模型的待定参数的取值，直至所述待定参数的特定取值使得小波神经网络模型的输出的误差小于误差阈值的具体步骤包括：
调整权值、小波的尺度伸缩因子和时间平移因子的取值，当所述小波神经网络模型的输出的误差大于误差阈值且学习次数达到预设的最大学习次数时，增加1个隐含层神经元，直至所述小波神经网络模型的输出的误差小于所述误差阈值；
其中，所述隐含层神经元的初始数量为1个。
7.根据权利要求1或2所述的鱼种类的识别方法，其特征在于，所述轮廓提取方法的具体步骤包括：
将图像灰度化得到灰度图像，利用高斯拉普拉斯算子对所述灰度图像进行滤波，检测滤波后的所述灰度图像中的零交叉点，将所述零交叉点组成鱼的轮廓。
8.一种鱼种类的识别系统，其特征在于，包括：
轮廓提取模块，用于利用轮廓提取方法提取待识别图像中鱼的轮廓，获取第一轮廓图像；
特征提取模块，用于提取所述第一轮廓图像中一定数量的纹理特征和第一特征，将所述第一特征组成特征向量；
种类识别模块，用于将所述待识别图像的特征向量输入训练好的小波神经网络模型，获得所述待识别图像中鱼种类的识别结果；
其中，所述第一特征通过对所述纹理特征进行因子分析获得，且所述第一特征的数量小于所述纹理特征的数量。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201810105729.3A 2018-02-02 2018-02-02 一种鱼种类的识别方法和系统 Active CN108363970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810105729.3A CN108363970B (zh) 2018-02-02 2018-02-02 一种鱼种类的识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810105729.3A CN108363970B (zh) 2018-02-02 2018-02-02 一种鱼种类的识别方法和系统

Publications (2)

Publication Number Publication Date
CN108363970A true CN108363970A (zh) 2018-08-03
CN108363970B CN108363970B (zh) 2021-03-23

Family

ID=63004338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810105729.3A Active CN108363970B (zh) 2018-02-02 2018-02-02 一种鱼种类的识别方法和系统

Country Status (1)

Country Link
CN (1) CN108363970B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109275609A (zh) * 2018-11-14 2019-01-29 常州大学 基于图像处理的常见淡水鱼种类自动识别方法
CN109636790A (zh) * 2018-12-13 2019-04-16 北京理工大学 一种管路结构的识别方法及装置
CN109784361A (zh) * 2018-12-05 2019-05-21 鲁东大学 贝类产品分类识别方法及装置
CN110852376A (zh) * 2019-11-11 2020-02-28 杭州睿琪软件有限公司 用于识别生物种类的方法及系统
CN111127396A (zh) * 2019-11-21 2020-05-08 中国农业大学 鱼类重量测算方法及装置
WO2020125668A1 (zh) * 2018-12-18 2020-06-25 中国铁建重工集团股份有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
CN111406693A (zh) * 2020-04-23 2020-07-14 上海海洋大学 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法
CN111693774A (zh) * 2020-05-06 2020-09-22 南方电网科学研究院有限责任公司 一种输电网的谐波测量方法和装置
CN112348098A (zh) * 2020-11-12 2021-02-09 国电大渡河枕头坝发电有限公司 基于红外光栅的鱼类智能检测方法
CN113109669A (zh) * 2021-04-12 2021-07-13 国网陕西省电力公司西安供电公司 一种基于行波特征频率的配电网混联线路故障定位方法
CN113487728A (zh) * 2021-07-23 2021-10-08 中国科学院水生生物研究所 一种鱼体模型确定方法及系统
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115761517A (zh) * 2023-01-06 2023-03-07 联通(江苏)产业互联网有限公司 一种基于神经网络和物联网的农业场景识别方法
US11853368B2 (en) 2019-07-10 2023-12-26 Hangzhou Glority Software Limited Method and system for identifying and displaying an object

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279976A (zh) * 2011-09-22 2011-12-14 河南工业大学 不同糙米籽粒识别的bp神经网络构建及识别方法
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN103077408A (zh) * 2012-11-13 2013-05-01 国家海洋局第二海洋研究所 基于小波神经网络的海底声纳图像转换为声学底质类别方法
CN107423745A (zh) * 2017-03-27 2017-12-01 浙江工业大学 一种基于神经网络的鱼类活性分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279976A (zh) * 2011-09-22 2011-12-14 河南工业大学 不同糙米籽粒识别的bp神经网络构建及识别方法
CN102831478A (zh) * 2012-08-05 2012-12-19 珠海派诺科技股份有限公司 一种基于bp神经网络的地铁能耗综合预测方法
CN103077408A (zh) * 2012-11-13 2013-05-01 国家海洋局第二海洋研究所 基于小波神经网络的海底声纳图像转换为声学底质类别方法
CN107423745A (zh) * 2017-03-27 2017-12-01 浙江工业大学 一种基于神经网络的鱼类活性分类方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
WEIXIN_30411819: "灰度共生矩阵GLCM分析", 《HTTPS://BLOG.CSDN.NET/WEIXIN_30411819/ARTICLE/DETAILS/95226147》 *
刘超 等: "舰船辐射噪声声纹图纹理特征提取研究", 《科技创新与应用》 *
姚润璐 等: "基于机器视觉的淡水鱼品种识别", 《图像与多媒体》 *
李智超 等: "基于径向基函数的位置预测技术", 《微计算机信息》 *
殷许鹏: "《岩土与结构工程中不确定性问题及其分析方法研究》", 31 January 2018, 《长春：东北师范大学出版社》 *
纪雪: "基于多波束数据的海底底质及地形复杂度分类研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
钱彬彬 等: "基于时间序列的小波神经网络蔬菜价格预测模型", 《洛阳理工学院学报( 自然科学版)》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109275609A (zh) * 2018-11-14 2019-01-29 常州大学 基于图像处理的常见淡水鱼种类自动识别方法
CN109784361A (zh) * 2018-12-05 2019-05-21 鲁东大学 贝类产品分类识别方法及装置
CN109636790A (zh) * 2018-12-13 2019-04-16 北京理工大学 一种管路结构的识别方法及装置
WO2020125668A1 (zh) * 2018-12-18 2020-06-25 中国铁建重工集团股份有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
US11853368B2 (en) 2019-07-10 2023-12-26 Hangzhou Glority Software Limited Method and system for identifying and displaying an object
CN110852376B (zh) * 2019-11-11 2023-05-26 杭州睿琪软件有限公司 用于识别生物种类的方法及系统
CN110852376A (zh) * 2019-11-11 2020-02-28 杭州睿琪软件有限公司 用于识别生物种类的方法及系统
CN111127396A (zh) * 2019-11-21 2020-05-08 中国农业大学 鱼类重量测算方法及装置
CN111127396B (zh) * 2019-11-21 2023-10-27 中国农业大学 鱼类重量测算方法及装置
CN111406693A (zh) * 2020-04-23 2020-07-14 上海海洋大学 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法
CN111693774A (zh) * 2020-05-06 2020-09-22 南方电网科学研究院有限责任公司 一种输电网的谐波测量方法和装置
CN112348098A (zh) * 2020-11-12 2021-02-09 国电大渡河枕头坝发电有限公司 基于红外光栅的鱼类智能检测方法
CN113109669A (zh) * 2021-04-12 2021-07-13 国网陕西省电力公司西安供电公司 一种基于行波特征频率的配电网混联线路故障定位方法
CN113487728A (zh) * 2021-07-23 2021-10-08 中国科学院水生生物研究所 一种鱼体模型确定方法及系统
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115051864B (zh) * 2022-06-21 2024-02-27 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115761517A (zh) * 2023-01-06 2023-03-07 联通(江苏)产业互联网有限公司 一种基于神经网络和物联网的农业场景识别方法
CN115761517B (zh) * 2023-01-06 2023-04-07 联通(江苏)产业互联网有限公司 一种基于神经网络和物联网的农业场景识别方法

Also Published As

Publication number Publication date
CN108363970B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN108363970A (zh) 一种鱼种类的识别方法和系统
Kumar et al. Resnet-based approach for detection and classification of plant leaf diseases
Lee et al. Deep-plant: Plant identification with convolutional neural networks
Ahmed et al. Automated weed classification with local pattern-based texture descriptors.
CN111127387B (zh) 无参考图像的质量的评价方法
Chakravorty et al. Image processing technique to detect fish disease
CN109102004A (zh) 棉花害虫识别分类方法及装置
Sethy et al. Detection and identification of rice leaf diseases using multiclass SVM and particle swarm optimization technique
Chawathe Rice disease detection by image analysis
CN107169962A (zh) 基于空间密度约束核模糊聚类的灰度图像快速分割方法
CN112418261B (zh) 一种基于先验原型注意力机制的人体图像多属性分类方法
Kumar et al. A study on the image detection using convolution neural networks and TenserFlow
Xu et al. Remote sensing image denoising using patch grouping-based nonlocal means algorithm
Li et al. Frequentnet: A novel interpretable deep learning model for image classification
CN106600610A (zh) 一种fcm图像分割方法及装置
Braik et al. Particle swarm optimisation enhancement approach for improving image quality
CN116452494A (zh) 基于自组织映射网络的无监督工业异常检测与定位方法
Tzagkarakis et al. A statistical approach to texture image retrieval via alpha-stable modeling of wavelet decompositions
Liang et al. Identifying Simple Shapes to Classify the Big Picture
Tangtisanon et al. Holy basil curl leaf disease classification using edge detection and machine learning
Bhattacharya et al. An MLP-based texture segmentation method without selecting a feature set
Praveena et al. Hybrid clustering algorithm and feed-forward neural network for satellite image classification
Frigui et al. Fuzzy clustering and subset feature weighting
Chaugule et al. A new method using feature extraction for identifying paddy rice species for quality seed selection
Wu et al. Conditional transferring features: Scaling GANs to thousands of classes with 30% less high-quality data for training

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Qu Haiping

Inventor after: Zhang Hongyan

Inventor before: Qu Haiping

Inventor before: Zhang Hongyan

Inventor before: Yue Jun

Inventor before: Kou Guangjie

Inventor before: Zhang Zhiwang

Inventor before: Li Zhenbo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and system for identifying fish species

Effective date of registration: 20211216

Granted publication date: 20210323

Pledgee: Yantai financing guarantee Group Co.,Ltd.

Pledgor: LUDONG University

Registration number: Y2021980015152

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220317

Granted publication date: 20210323

Pledgee: Yantai financing guarantee Group Co.,Ltd.

Pledgor: LUDONG University

Registration number: Y2021980015152

PC01 Cancellation of the registration of the contract for pledge of patent right
TR01 Transfer of patent right

Effective date of registration: 20221124

Address after: 100089 No. 258, second floor, building 3, Xisanqi building materials City, Haidian District, Beijing

Patentee after: Beijing Zhongke Haixin Technology Co.,Ltd.

Address before: 264025 No. 186 Hongqi Middle Road, Zhifu District, Shandong, Yantai

Patentee before: LUDONG University

TR01 Transfer of patent right