CN109583289A - 蟹的性别识别方法和装置 - Google Patents

蟹的性别识别方法和装置 Download PDF

Info

Publication number
CN109583289A
CN109583289A CN201811132261.3A CN201811132261A CN109583289A CN 109583289 A CN109583289 A CN 109583289A CN 201811132261 A CN201811132261 A CN 201811132261A CN 109583289 A CN109583289 A CN 109583289A
Authority
CN
China
Prior art keywords
crab
image
identified
gender
identification 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.)
Pending
Application number
CN201811132261.3A
Other languages
English (en)
Inventor
孙龙清
罗冰
刘岩
邹远炳
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN201811132261.3A priority Critical patent/CN109583289A/zh
Publication of CN109583289A publication Critical patent/CN109583289A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种蟹的性别识别方法和装置。其中，蟹的性别识别方法包括：获取待识别的蟹的若干幅图像；将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。本发明实施例提供的蟹的性别识别方法和装置，通过采集待识别的蟹的图像，将待识别的蟹的图像输入识别模型，获取识别模型输出的待识别的蟹的性别识别结果，能智能、快速地识别蟹的性别，能提高蟹的性别识别的准确度和效率、节省大量人力物力成本。

Description

蟹的性别识别方法和装置
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种蟹的性别识别方法和装置。
背景技术
水产养殖是农业生产的重要组成部分。随着对河蟹、梭子蟹等蟹类需求量的不断上升，提高和改善蟹类养殖环境势在必行。
由于蟹类的消费习惯，对于雌雄蟹的消费没有显示明显的性别差异取向，销售一般也是按照雄蟹、雌性1:1配对销售。所以，即使雄蟹具有明显生长速度优势，而在实际生产中，池塘养殖的蟹类也基本按照自然性别比例进行养殖，没有进行单性化的生产养殖。传统的蟹的性别识别方法主要以人工辨别其雌雄并通过目测估算重量,主观因素的影响大，识别的效率和准确度都较低。
发明内容
针对现有技术存在的问题，本发明实施例提供蟹的性别识别方法和装置。
第一方面，本发明实施例提供一种蟹的性别识别方法，包括：
获取待识别的蟹的若干幅图像；
将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；
其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
第二方面，本发明实施例提供一种蟹的性别识别装置，包括：
图像获取模块，用于获取待识别的蟹的若干幅图像；
性别分类模块，用于将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；
其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
第三方面，本发明实施例提供一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的蟹的性别识别方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的蟹的性别识别方法。
本发明实施例提供的蟹的性别识别方法和装置，通过采集待识别的蟹的图像，将待识别的蟹的图像输入识别模型，获取识别模型输出的待识别的蟹的性别识别结果，能智能、快速地识别蟹的性别，能提高蟹的性别识别的准确度和效率、节省大量人力物力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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。
图1为根据本发明实施例提供的蟹的性别识别方法的流程示意图；
图2为根据本发明实施例提供的蟹的性别识别方法中识别模型的结构示意图；
图3为根据本发明实施例提供的蟹的性别识别装置的功能框图；
图4为根据本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。本发明中的实施例，本领域普通技术人员在没有作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。
为了克服现有技术的上述问题，本发明实施例提供一种蟹的性别识别方法，其发明构思是，采集蟹的图像，基于计算机视觉和机器学习的方法对蟹的图像进行处理，利用深度学习和有监督的机器学习算法对蟹的性别进行识别。
图1为根据本发明实施例提供的蟹的性别识别方法的流程示意图。如图1所示，一种蟹的性别识别方法包括：步骤S101、获取待识别的蟹的若干幅图像。
需要说明的是，本发明实施例提供的蟹的性别识别方法适用于对各类蟹的性别进行识别。例如，对中华绒螯蟹等河蟹的性别进行识别。
需要说明的是，雄蟹和雌蟹在生理形态上存在差异：雄蟹的腹部肚脐处形状为三角突起状，雌蟹的腹部肚脐处形状为扁圆形；雌蟹蟹脚只有前边两条腿上长有细细的绒毛，而雄蟹的八只腿上都有密集的绒毛。此外，雄蟹和雌蟹的体形轮廓也存在差别。由于雄蟹和雌蟹在生理形态上的差异，雄蟹和雌蟹的图像也存在差异，因此，可以通过计算机视觉技术提取图像的特征，并根据图像的特征区分图像中是雄蟹还是雌蟹，进行蟹的性别识别。
具体地，通过光学相机、摄像机等图像采集设备采集待识别的蟹的图像。对于每一待识别的蟹，可以采集若干幅图像。若干幅，指一幅或多幅。
采集多幅图像时，可以分别通过不同的角度采集蟹的多个不同部位的图像。
通过图像采集设备采集待识别的蟹的图像后，获取图像采集设备采集的待识别的蟹的若干幅图像。
步骤S102、将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
可以理解的是，步骤S102之前，基于蟹样本的样本图像以及蟹样本的标签进行训练，可以得到识别模型。
蟹样本的标签，指蟹样本的性别，即雄蟹和雌蟹。对于每一蟹样本，通过人工分辨蟹样本的性别，将人工分辨的结果作为蟹样本的标签
由于涉及对图像进行处理，识别模型可以是基于卷积神经网络(ConvolutionalNeural Network，简称CNN)以及改进的卷积神经网络建立的模型。改进的卷积神经网络至少包括RCNN(Region with CNN feature)、Fast-RCNN、Faster-RCNN或MobileNet，本发明实施例对此不作具体限制。
由于CNN的特征检测网络通过训练数据进行学习，所以在使用基于CNN以及改进的CNN建立原始模型时，避免了显式的特征抽取，而隐式地从训练数据中进行学习，将特征提取功能融合进识别模型中，使得识别模型能够直接用于处理基于图像的目标分类。
MobileNet是一种轻量级的卷积神经网络，尤其适用于在处理能力有限的硬件上运行，从而能减少数据的处理时间，更快地获得待识别的蟹的性别。
将蟹样本的样本图像作为训练数据。建立原始模型后，基于训练数据对原始模型进行训练，从而得到识别模型。
可以理解的是，对于每一蟹样本，蟹样本的样本图像的数量，与步骤S101中对每一待识别的蟹采集的图像的数量相同。
训练时，将蟹样本的样本图像输入原始模型，根据原始模型的输出确定损失误差；根据损失误差更新原始模型的参数，原始模型的参数包括卷积核的参数和神经元的偏置；将训练数据输入参数更新后的原始模型，进行下一轮训练。通过上述过程，可以实现对原始模型进行迭代训练，通过迭代训练直至损失误差收敛(即模型收敛)，完成训练。
卷积核的参数的更新关系到目标检测的准确性，在目标检测中非常重要。卷积神经网络的学习过程就是根据训练数据来调整神经元之间的连接权重以及每个功能神经元的偏置，也就是卷积神经网络学习的收获，蕴含在连接权重与偏置中。
卷积核和偏置可以通过下面的公式表示
其中，等号左边的wl和bl分别表示更新后第l层各神经元的卷积核的参数和偏置；等号右边的wl和bl分别表示更新前第l层各神经元的卷积核的参数和偏置；Δwl和Δbl分别表示根据前向传播算法计算获得的第l层的卷积核的参数和偏置的更新量，α和β表示学习率，m表示第l层神经元的个数。对于α和β的具体取值，本发明实施例不作限制，例如可以均为0.01。
通过训练获得识别模型后，将待识别的蟹的若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果。
本发明实施例通过采集待识别的蟹的图像，将待识别的蟹的图像输入识别模型，获取识别模型输出的待识别的蟹的性别识别结果，能智能、快速地识别蟹的性别，能提高蟹的性别识别的准确度和效率、节省大量人力物力成本。
基于上述各实施例的内容，将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果的具体步骤包括：将若干幅图像输入至识别模型中的特征提取网络，输出每一幅图像的特征向量；将各幅图像的特征向量输入至识别模型中的分类网络，输出待识别的蟹的性别识别结果。
具体地，识别模型包括特征提取网络和分类网络。
特征提取网络，用于根据待识别的蟹的图像，获取该图像的特征向量。
分类网络，用于根据待识别的蟹的各幅图像的特征向量，获取待识别的蟹的性别识别结果。
特征提取网络可以由卷积层、池化层和全连接层构成。卷积层、池化层、全连接层的层数均可以为一个或多个。
卷积层，用于进行特征提取。将前一层的输出作为卷积层的输入，卷积层的输入经过大小固定的卷积操作得到卷积层的输出。
卷积层的计算公式为：
其中，f表示函数符号；l表示卷积层的序号；和分别表示当前卷积层(第l层卷积层)的第j个特征图和上一卷积层(第l-1层卷积层)的第i个特征图；表示从上一卷积层的第i个特征图到当前卷积的第j个特征图的卷积核；表示当前卷积层的第j个偏置；f(x)表示神经元的激活函数；Mj表示第l-1层卷积层池化映射的个数。
可以选用任一常用的激活函数。例如，可以选取S型函数(Sigmoid函数)作为神经元的激活函数，Sigmoid函数表达式为：
其中，x表述函数的自变量。
池化层主要用于进行图像处理的卷积神经网络中。卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，池化层就是使用池化(pooling)方法将小邻域内的特征点整合得到新的特征。池化的结果是使得特征减少、参数减少，降低特征图的维度，但池化的还包括为了保持某种不变性(旋转、平移、伸缩等)、为了保留更多的纹理等信息。
常用的池化方法包括均值池化(mean-pooling)、最大池化(max-pooling)和随机池化(Stochastic-pooling)三种。mean-pooling，即对邻域内特征点只求平均；max-pooling，即对邻域内特征点取最大。根据相关理论，特征提取的误差主要来自两个方面：一方面是邻域大小受限造成的估计值方差增大；另一方面是卷积层参数误差造成估计均值的偏移。一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息；max-pooling能减小第二种误差，更多的保留纹理信息；Stochastic-pooling则介于两者之间，通过对像素点按照数值大小赋予概率，再按照概率进行亚采样，在平均意义上，与mean-pooling近似，在局部意义上，则服从max-pooling的准则。
可以采用上述三种池化方法中的任一种，本发明实施例对此不作具体限制。
例如，通过最大池化方法进行特征图进行降维，具体公式为
其中，g表示函数符号；表示当前卷积层(第l层卷积层)的第i个特征图；s×s表示池化模板的尺度；表示对应的模板的权值；表示当前卷积层的第i个偏置。
全连接层在整个卷积神经网络中起到分类器的作用。全连接层是将该全连接层的上一层的任何一个神经元与该全连接层的所有神经元都进行连接，将学习到的“分布式特征表示”映射到样本标记空间。在实际使用中，全连接层可由卷积操作实现：对上一层是全连接的全连接层，可以转化为卷积核为1x1的卷积；而上一层是卷积层的全连接层可以转化为卷积核为H×WH的全局卷积，H和W分别表示上一层是卷积层的输出结果的高和宽。
全连接层的输出结果可以表示为：
其中，s表示函数符号；表示全连接层第j个神经元的输出值，表示该全连接层的上一层第i个神经元的输出值，表示从该全连接层的上一层的第i个神经元到该全连接层的第j个神经元的卷积核，为该全连接层的第j偏置。
将待识别的蟹的若干幅图像输入至特征提取网络，特征提取网络对上述若干幅图像中的每一幅图像都进行特征提取，输出每一幅图像的特征向量。
分类网络可以由若干个全连接层和一个归一化层构成，也可以由一个归一化层构成。
归一化层，可以采用softmax层。softmax层采用softmax函数作为多分类器。
提取出待识别的蟹的每一幅图像的特征向量后，将提出的全部特征向量输入至分类网络，分类网络根据全部特征向量进行分类，获得待识别的蟹的性别识别结果。
本发明实施例基于卷积神经网络提取待识别的蟹的图像的特征向量，并根据特征向量获得待识别的蟹的性别识别结果，能更快速、准确地获得待识别的蟹的性别识别结果，能提高蟹的性别识别的准确度、效率和速度。
基于上述各实施例的内容，获取待识别的蟹的若干幅图像的具体步骤包括：获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的任意一种。
具体地，由于雄蟹和雌蟹在体形轮廓、腹部、蟹脚等部位都存在差异，在获取待识别的蟹的图像时，可以采集上述任一部位的图像。
由于蟹脚分布于蟹的身体的左右两侧，为了便于识别模型提取待识别的蟹的图像的细节特征，可以获取蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的至少一种。
为了方便地实施本发明实施例提供的方法，可以获取蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的任意一种，降低识别模型的数据处理量。
可以理解的是，可以根据蟹的腹部图像提取蟹的腹部特征，根据蟹的左侧蟹脚图像提取蟹的左侧蟹脚特征，根据蟹的右侧蟹脚图像提取蟹的右侧蟹脚特征，根据蟹的全身图像提取外形轮廓特征。还可以根据蟹的全身图像提取蟹的腹部特征、左侧蟹脚特征和右侧蟹脚特征。
本发明实施例通过获取蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像或全身图像，能降低识别模型的数据处理量、提高蟹的性别识别的效率和速度。
基于上述各实施例的内容，获取待识别的蟹的若干幅图像的具体步骤包括：获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的至少两种。
具体地，根据单一部位的图像进行蟹的性别识别时，会由于蟹样本和待识别的蟹在该部位的缺陷，例如蟹脚缺失，而导致识别误差，为了进一步提高识别准确率，降低蟹的性别识别的误差，可以获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的至少两种，根据蟹的多个部位的图像进行性别识别。例如，获取待识别的蟹的腹部图像、左侧蟹脚图像和右侧蟹脚图像。
本发明实施例通过获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的至少两种，根据蟹的多个部位的图像进行性别识别，能降低蟹的单一部位的缺陷导致的识别误差，能进一步提高蟹的性别识别的准确度。
基于上述各实施例的内容，将若干幅图像输入至识别模型中的特征提取网络，输出每一幅图像的特征向量的具体步骤包括：将每一幅图像分别输入至特征提取网络中与图像对应的子特征提取网络，获取图像对应的子特征提取网络输出的图像的特征向量。
特征提取网络包括多个并行的子特征提取网络。子特征提取网络的数量，与获取的待识别的蟹的图像的数量相同。每一子特征提取网络，对一幅图像进行特征提取。
每一子特征提取网络可以由卷积层、池化层和全连接层构成。卷积层、池化层、全连接层的层数均可以为一个或多个。
对于待识别的蟹的每一幅图像，将该图像输入与图像对应的子特征提取网络，获取图像对应的子特征提取网络输出的图像的特征向量。
图2为根据本发明实施例提供的蟹的性别识别方法中识别模型的结构示意图。
例如，获取待识别的蟹的腹部图像、左侧蟹脚图像和右侧蟹脚图像时，如图2所示，识别模型包括特征提取网络201和分类网络202，特征提取网络201包括3个子特征提取网络，分别为第一子特征提取网络2011、第二子特征提取网络2012、第三子特征提取网络2013；第一子特征提取网络用于提取第一部位的图像的特征向量，第二子特征提取网络用于提取第二部位的图像的特征向量，第三子特征提取网络用于提取第三部位的图像的特征向量；将若干幅图像输入至识别模型中的特征提取网络，具体为分别将第一部位的图像(本发明实施例中为腹部图像)、第二部位的图像(本发明实施例中为左侧蟹脚图像)、第三部位的图像(本发明实施例中为右侧蟹脚图像)分别输入第一子特征提取网络2011、第二子特征提取网络2012、第三子特征提取网络2013。
本发明实施例通过不同子特征提取网络，对待识别的蟹的多幅图像进行并行的特征提取，能节省特征提取的时间，从而能提高蟹的性别识别的效率和速度。
基于上述各实施例的内容，将各幅图像的特征向量输入至识别模型中的分类网络，输出待识别的蟹的性别识别结果的具体步骤包括：将各幅图像的特征向量输入至分类网络中的特征融合层，输出综合特征向量；将综合特征向量输入至分类网络中的分类层，输出待识别的蟹的性别识别结果。
具体地，如图2所示分类网络202包括特征融合层2021和分类层2022。
特征融合层2021，可以由若干个全连接层构成。将各幅图像的特征向量作为特征融合层2021的输入，将各幅图像的特征向量融合为一个综合特征向量，从而将多个特征向量融合为一个综合特征向量。
综合特征向量，是对各幅图像的特征向量进行融合获得的。因此，综合特征向量能更全面地反映蟹的生理形态特征，因而相比根据单幅图像的特征向量进行性别分类，根据综合特征向量进行性别分类，具有更高的识别准确度。
本发明实施例对将各幅图像的特征向量融合为一个综合特征向量的具体方法不作限制。例如，可以将各幅图像的特征向量直接拼接为综合特征向量，也可以对各幅图像的特征向量进行处理、获取维度少于直接拼接获得的向量的维度的综合特征向量，但不限于上述两种方法。
分类层2022，可以由一个归一化层构成，也可以由若干个全连接层和归一化层构成。将综合特征向量输入至分类层2022，分类层2022根据综合特征向量确定待识别的蟹的性别识别结果并输出。
本发明实施例通过对各幅图像的特征向量进行融合获得综合特征向量，根据综合特征向量确定待识别的蟹的性别识别结果，能进一步提高蟹的性别识别的准确度。
基于上述各实施例的内容，将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果的具体步骤包括：将若干幅图像输入至识别模型中的识别网络，输出每一幅图像对应初步识别结果；将各幅图像对应初步识别结果输入至识别模型中的判别器，输出待识别的蟹的性别识别结果。
具体地，识别模型包括识别网络和判别器。
分类网络包括多个子分类网络。
子分类网络，用于提取待识别的蟹的一幅图像的特征向量，并根据该特征向量，获取该图像对应的初步识别结果。
子分类网络的数量，与获取的待识别的蟹的图像的数量相同。
例如，获取待识别的蟹的腹部图像、左侧蟹脚图像和右侧蟹脚图像，将若干幅图像输入至识别网络时，具体将蟹的腹部图像、左侧蟹脚图像和右侧蟹脚图像分别输入是3个子分类网络，3个子分类网络分别输出待识别的蟹的腹部图像、左侧蟹脚图像和右侧蟹脚对应的初步识别结果。
子分类网络可以由卷积层、池化层、全连接层和一个归一化层构成。卷积层、池化层、全连接层的层数均可以为一个或多个。
判别器，用于根据全部初步识别结果，生成待识别的蟹的性别识别结果。
根据全部初步识别结果，生成待识别的蟹的性别识别结果的具体方法，本发明实施例不作具体限制。
例如，可以根据简单多数判断法生成待识别的蟹的性别识别结果，即获得的是待识别的蟹的腹部图像、左侧蟹脚图像和右侧蟹脚图像时，当3个初步识别结果中有2个为雄蟹时，将雄蟹确定为待识别的蟹的性别识别结果，当当3个初步识别结果中有2个为雌蟹时，将雌蟹确定为待识别的蟹的性别识别结果；可以为加权判断法生成待识别的蟹的性别识别结果，即为不同部位图像对应的初步识别结果赋予预设的权重，根据预设的权重对全部初步识别结果进行加权，生成待识别的蟹的性别识别结果；但不限于上述两种方法。
可以理解的是，当获取的待识别的蟹的图像为一副时，直接将初步识别结果作为待识别的蟹的性别识别结果。
本发明实施例通过获取每一幅图像对应初步识别结果，根据全部初步识别结果生成待识别的蟹的性别识别结果，能更快速、准确地获得待识别的蟹的性别识别结果，能提高蟹的性别识别的准确度、效率和速度。
图3为根据本发明实施例提供的蟹的性别识别装置的功能框图。基于上述各实施例的内容，如图3所示，一种蟹的性别识别装置包括图像获取模块301和性别分类模块302，其中：
图像获取模块301，用于获取待识别的蟹的若干幅图像；
性别分类模块302，用于将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；
其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
图像获取模块301获取图像采集设备采集的待识别的蟹的若干幅图像。
通过训练获得识别模型后，性别分类模块302将待识别的蟹的若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果。
本发明实施例提供的蟹的性别识别装置，用于执行本发明各实施例提供的蟹的性别识别方法，蟹的性别识别装置包括的各模块实现相应功能的具体方法和流程详见上述蟹的性别识别方法的实施例，此处不再赘述。
该蟹的性别识别装置用于前述各实施例的蟹的性别识别方法。因此，在前述各实施例中的蟹的性别识别方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例通过采集待识别的蟹的图像，将待识别的蟹的图像输入识别模型，获取识别模型输出的待识别的蟹的性别识别结果，能智能、快速地识别蟹的性别，能提高蟹的性别识别的准确度和效率、节省大量人力物力成本。
图4为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)330和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储在存储器430上并可在处理器410上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：获取待识别的蟹的若干幅图像；将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
本发明另一实施例公开一种计算机程序产品，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，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：获取待识别的蟹的若干幅图像；将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，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：获取待识别的蟹的若干幅图像；将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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。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)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种蟹的性别识别方法，其特征在于，包括：
获取待识别的蟹的若干幅图像；
将所述若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；
其中，所述识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；所述蟹样本的标签是根据蟹样本预先确定的。
2.根据权利要求1所述的方法，其特征在于，所述将所述若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果的具体步骤包括：
将所述若干幅图像输入至所述识别模型中的特征提取网络，输出每一幅所述图像的特征向量；
将各幅所述图像的特征向量输入至所述识别模型中的分类网络，输出待识别的蟹的性别识别结果。
3.根据权利要求1或2所述的方法，其特征在于，所述获取待识别的蟹的若干幅图像的具体步骤包括：
获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的任意一种。
4.根据权利要求2所述的方法，其特征在于，所述获取待识别的蟹的若干幅图像的具体步骤包括：
获取待识别的蟹的腹部图像、左侧蟹脚图像、右侧蟹脚图像和全身图像中的至少两种。
5.根据权利要求4所述的方法，其特征在于，所述将所述若干幅图像输入至识别模型中的特征提取网络，输出每一幅图像的特征向量的具体步骤包括：
将每一幅所述图像分别输入至所述特征提取网络中与所述图像对应的子特征提取网络，获取所述图像对应的子特征提取网络输出的所述图像的特征向量。
6.根据权利要求4或5所述的方法，其特征在于，所述将各幅图像的特征向量输入至识别模型中的分类网络，输出待识别的蟹的性别识别结果的具体步骤包括：
将各幅所述图像的特征向量输入至所述分类网络中的特征融合层，输出综合特征向量；
将所述综合特征向量输入至所述分类网络中的分类层，输出待识别的蟹的性别识别结果。
7.根据权利要求1所述的方法，其特征在于，所述将所述若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果的具体步骤包括：
将所述若干幅图像输入至所述识别模型中的识别网络，输出每一幅所述图像对应初步识别结果；
将各幅所述图像对应初步识别结果输入至所述识别模型中的判别器，输出待识别的蟹的性别识别结果。
8.一种蟹的性别识别装置，其特征在于，包括：
图像获取模块，用于获取待识别的蟹的若干幅图像；
性别分类模块，用于将若干幅图像输入至识别模型，获取识别模型输出的待识别的蟹的性别识别结果；
其中，识别模型是基于蟹样本的样本图像以及蟹样本的标签进行训练后得到的；蟹样本的标签是根据蟹样本预先确定的。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行如权利要求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，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行如权利要求1至7任一所述的方法。
CN201811132261.3A 2018-09-27 2018-09-27 蟹的性别识别方法和装置 Pending CN109583289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811132261.3A CN109583289A (zh) 2018-09-27 2018-09-27 蟹的性别识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811132261.3A CN109583289A (zh) 2018-09-27 2018-09-27 蟹的性别识别方法和装置

Publications (1)

Publication Number Publication Date
CN109583289A true CN109583289A (zh) 2019-04-05

Family

ID=65919934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811132261.3A Pending CN109583289A (zh) 2018-09-27 2018-09-27 蟹的性别识别方法和装置

Country Status (1)

Country Link
CN (1) CN109583289A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008670A (zh) * 2019-12-20 2020-04-14 云南大学 一种菌类图像识别方法、装置、电子设备及存储介质
CN114166092A (zh) * 2021-12-06 2022-03-11 山东省淡水渔业研究院（山东省淡水渔业监测中心） 一种测量中华绒螯蟹主要形体指标的综合性测量仪
CN114341951A (zh) * 2019-08-20 2022-04-12 阿卡蒂科有限公司 通过非侵入性手段诊断甲壳类动物的疾病、生理变化或其他内部状况的方法和系统
CN115471871A (zh) * 2022-09-22 2022-12-13 四川农业大学 一种基于目标检测和分类网络的麻鸭性别分类识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2899660A1 (en) * 1999-08-27 2015-07-29 Iris Biotechnologies Inc. Artificial intelligence system for genetic analysis
CN106446949A (zh) * 2016-09-26 2017-02-22 成都通甲优博科技有限责任公司 一种车辆型号识别方法及装置
CN106599837A (zh) * 2016-12-13 2017-04-26 北京智慧眼科技股份有限公司 基于多图像输入的人脸识别方法及装置
CN107045618A (zh) * 2016-02-05 2017-08-15 北京陌上花科技有限公司 一种人脸表情识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2899660A1 (en) * 1999-08-27 2015-07-29 Iris Biotechnologies Inc. Artificial intelligence system for genetic analysis
CN107045618A (zh) * 2016-02-05 2017-08-15 北京陌上花科技有限公司 一种人脸表情识别方法及装置
CN106446949A (zh) * 2016-09-26 2017-02-22 成都通甲优博科技有限责任公司 一种车辆型号识别方法及装置
CN106599837A (zh) * 2016-12-13 2017-04-26 北京智慧眼科技股份有限公司 基于多图像输入的人脸识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚攀: "基于计算机视觉的蚕蛹性别自动识别系统研究-20131215", 《CNKI》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114341951A (zh) * 2019-08-20 2022-04-12 阿卡蒂科有限公司 通过非侵入性手段诊断甲壳类动物的疾病、生理变化或其他内部状况的方法和系统
CN111008670A (zh) * 2019-12-20 2020-04-14 云南大学 一种菌类图像识别方法、装置、电子设备及存储介质
CN114166092A (zh) * 2021-12-06 2022-03-11 山东省淡水渔业研究院（山东省淡水渔业监测中心） 一种测量中华绒螯蟹主要形体指标的综合性测量仪
CN114166092B (zh) * 2021-12-06 2023-08-04 山东省淡水渔业研究院（山东省淡水渔业监测中心） 一种测量中华绒螯蟹主要形体指标的综合性测量仪
CN115471871A (zh) * 2022-09-22 2022-12-13 四川农业大学 一种基于目标检测和分类网络的麻鸭性别分类识别方法

Similar Documents

Publication Publication Date Title
Dias et al. Apple flower detection using deep convolutional networks
Kumar et al. Resnet-based approach for detection and classification of plant leaf diseases
Radenovic et al. Deep shape matching
CN108805064A (zh) 一种基于深度学习的鱼类定位检测和识别方法及系统
CN109583289A (zh) 蟹的性别识别方法和装置
CN111052126A (zh) 行人属性识别与定位方法以及卷积神经网络系统
Sakib et al. Implementation of fruits recognition classifier using convolutional neural network algorithm for observation of accuracies for various hidden layers
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
CN109271884A (zh) 人脸属性识别方法、装置、终端设备和存储介质
CN107016664B (zh) 一种大圆机的坏针瑕疵检测方法
CN109410168A (zh) 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法
CN110032925A (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
Al-Badri et al. Classification of weed using machine learning techniques: a review—challenges, current and future potential techniques
Hao et al. Growing period classification of Gynura bicolor DC using GL-CNN
Yu et al. U-YOLOv7: a network for underwater organism detection
CN110059677A (zh) 基于深度学习的数字表识别方法及设备
CN108230330A (zh) 一种快速的高速公路路面分割和摄像机定位的方法
CN114612802A (zh) 基于mbcnn的舰船目标细粒度分类系统及方法
Li et al. Fast recognition of pig faces based on improved Yolov3
CN114782979A (zh) 一种行人重识别模型的训练方法、装置、存储介质及终端
Ye et al. PlantBiCNet: A new paradigm in plant science with bi-directional cascade neural network for detection and counting
Kong et al. Detection model based on improved faster-RCNN in apple orchard environment
CN115330759B (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
CN110059742A (zh) 基于深度学习的安全护具穿戴识别方法及设备
Ghosh et al. PB3C-CNN: An integrated PB3C and CNN based approach for plant leaf classification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190405

RJ01 Rejection of invention patent application after publication