CN112907503A - 基于自适应卷积神经网络的南美白对虾品质检测方法 - Google Patents
基于自适应卷积神经网络的南美白对虾品质检测方法 Download PDFInfo
- Publication number
- CN112907503A CN112907503A CN202010722936.0A CN202010722936A CN112907503A CN 112907503 A CN112907503 A CN 112907503A CN 202010722936 A CN202010722936 A CN 202010722936A CN 112907503 A CN112907503 A CN 112907503A
- Authority
- CN
- China
- Prior art keywords
- entropy
- image
- gray level
- gray
- integral
- 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
Links
- 241000238553 Litopenaeus vannamei Species 0.000 title claims abstract description 99
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 89
- 230000003044 adaptive effect Effects 0.000 title claims description 22
- 238000001514 detection method Methods 0.000 title abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000238557 Decapoda Species 0.000 abstract description 54
- 230000008859 change Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000238367 Mya arenaria Species 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009125 negative feedback regulation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应卷积神经网络的南美白对虾品质检测方法，涉及农业工程与图像处理交叉技术领域。通过引入图像熵理论计算不同来源南美白对虾图像的特征表达差异，获取不同来源南美白对虾样本外观特征的演变规律，计算得到不同来源南美白对虾图像外观特性的数学描述方程；基于卷积神经网络构造对虾品质的检测模型，根据不同来源南美白对虾的图像数据集分类前后所呈现熵减规则计算卷积神经网络中卷积参数和网络深度，消解数据集从随机输入到规则输出的信息熵变化，打破数据类型从三维输入到一维输出的熵变动，得到自适应卷积神经网络模型用于南美白对虾品质检测，提高对不同来源南美白对虾品质识别方法泛化性的技术效果。
Description
技术领域
本发明涉及农业工程与图像处理交叉技术领域，特别涉及一种基于自适应卷积神经网络的南美白对虾品质检测方法。
背景技术
在我国虾蟹类水产业中，南美白对虾的养殖占比最高，养殖面积逐年持续扩大。自1989年以来，我国南美白对虾养殖和生产加工总量一直位居世界前列。然而，受历史条件和技术水平的制约，我国虾产品的生产和加工手段一直以劳动密集型为主，开发对虾自动化品质的在线无损检测装备，有助于在源头上对虾体的品质进行监控，可以保障流向市场的对虾产品质量安全性，可拓展智能化、自动化技术在水产智能装备中的应用范围，对水产行业的发展具有重大促进和推动作用。
为了提高南美白对虾产品的检测效率，现有技术已提出一系列的南美白对虾品质检测算法，比如，参考文献[Zihao Liu,Xiaojun Jia,Xinsheng Xu.Study of shrimprecognition methods using smart networks[J].Computers and Electronics inAgriculture.2019,165:1-10.]提出了一种针对相同来源对虾样本的基于深度学习的对虾外观品质检测模型；参考文献[Zihao Liu.Soft-shell shrimp recognition based onimproved AlexNet for quality evalution[J].Journal of Food Engineering.2020,266:1-10.]则根据构建的对虾图像样本数量、对虾外观形态微观差异、层级颜色差异、细微纹理差异、样本的交叉验证比例，给出了深度卷积神经网络结构改进式的结构设计，证实了深度学习模型运用在南美白对虾品质分级上的可行性；参考文献[Zihao Liu,Fang Cheng,Wei Zhang.Identification of soft shrimp based on deep learning[C].ASABEMeeting.2016,Orlando,Florida.]提出了一种基于稀疏自编码神经网络(SAENN)的软壳次品虾识别算法，把每幅对虾图像分为若干子块，把分割开来的子块导入SAENN网络进行分类，获取了每个子块的类别标签，然后再把子块还原为原始完整的对虾图像，推断出原始对虾图像的类别，完成基于SAENN网络的软壳次品虾识别方法。
然而，虽然国内外已开展相关较多的研究，但是大多研究都集中于运用单个养殖源的样本进行算法测试与更新，对传统所提算法能否有效运用在不同来源的对虾品质的泛化性检测上，还有待于进一步研究和测试。而且，传统对虾识别算法在基于当前对虾数据集构建的模型中，虽然在某些特定场景下表现出较高测试精度，但是一旦更新测试样本，模型识别精度会呈现梯度式下降规律，因为原始算法的鲁棒性和泛化性能较差，所构建模型对来自于不同养殖池塘、不同养殖条件甚至不同批次样本的适应能力较差，即基于某批样本构建的训练模型不能很好的泛化用于另一批次对虾样本的识别中，导致对不同来源南美白对虾品质识别的泛化性较低，且极为不稳定。
发明内容
为了解决现有技术存在的上述问题，本发明提供了一种基于自适应卷积神经网络的南美白对虾品质检测方法，通过引入香农信息论中的图像熵理论来计算不同来源南美白对虾图像的特征表达差异，构建得到自适应卷积神经网络模型用于南美白对虾的品质检测，从而提高用于检测不同来源南美白对虾品质的检测方法的稳定性和泛用性。本发明的技术方案如下：
根据本发明实施例的一个方面，提供一种基于自适应卷积神经网络的南美白对虾品质检测方法，其特征在于，所述方法包括：
1)构建具有五层结构的卷积神经网络，随机初始化所述卷积神经网络各层对应的卷积核尺寸和步长，按预设顺序依次将各幅南美白对虾图像对应的灰度图像输入所述卷积神经网络；
2)对于每幅灰度图像在每层对应的卷积操作，采用当前层对应的卷积核尺寸和步长对当前灰度图像进行当前层的卷积操作，通过监控器监测计算当前灰度图像对应的图像整体熵H以及整体颜色熵H1、整体纹理熵H2、整体形状熵H3，并在监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4等于当前灰度图像对应的图像整体熵H时，将整体颜色熵H1、整体纹理熵H2、整体形状熵H3在叠加和H4中占比最大的值作为参数更新依据，对当前层对应的卷积核尺寸和步长进行参数更新；
3)采用更新后的卷积核尺寸和步长继续对当前灰度图像进行当前层的卷积操作，直至当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3满足预设终止规则时，将当前卷积核尺寸和当前步长确定为所述卷积神经网络当前层的优选参数，将卷积操作后的当前灰度图像确定为灰度图像在当前层的卷积特征图，，所述预设终止规则包括：整体颜色熵H1、整体纹理熵H2、整体形状熵H3的递减幅度大于50％；
4)根据所述卷积特征图计算得到当前层对应的信息增益g()，当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率不大于50％时，将所述卷积特征图作为当前灰度图像输入下一层继续进行步骤2)至步骤3)所述的卷积操作；当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率大于50％时，将当前层对应的深度确定为最佳深度，并将当前层对应的卷积特征图进行输出；
5)每输入一幅南美白对虾图像对应的灰度图像，采用上一幅南美白对虾图像对应的最佳深度，以及上一幅南美白对虾图像对应的各层优选参数对所述卷积神经网络进行参数更新，并采用参数更新后的所述卷积神经网络对当前输入的灰度图像进行步骤2)至步骤4)所述的卷积操作。
优选的，所述图像整体熵H用于表达灰度图像对应南美白对虾的不确定程度，所述整体颜色熵用于表达灰度图像所对应南美白对虾表面颜色的不确定性程度，所述整体纹理熵用于表达灰度图像所对应南美白对虾表面纹理的不确定性程度，所述整体形状熵用于表达灰度图像所对应南美白对虾形状的不确定性程度。
优选的，所述图像整体熵H的表达函数如下：
其中，Pij为所述灰度图像中点(i，j)处的灰度分布概率，Pij的表达式如下：
M和N分别为所述灰度图像的图像尺寸，i和j表示像素下标索引，f(i，j)为所述灰度图像中点(i，j)处的灰度值，H为图像整体熵，Pij为所述灰度图像中点(i，j)处的灰度分布概率。
优选的，整体颜色熵H1、整体纹理熵H2、整体形状熵H3的计算方法包括：
对于每幅灰度图像，将所述灰度图像投射至包含预设网格单元的网格空间，从而将所述灰度图像由所述网格空间分割为至少二个局部灰度图像；
对于每幅灰度图像，分别计算所述灰度图像所对应各个局部灰度图像的单元颜色熵Hc、单元纹理熵Ht和单元形状熵Hs，将各个单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵H1，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3。
优选的，单元颜色熵Hc与整体颜色熵H1的计算方法具体包括：
对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元颜色熵Hc，将各个局部灰度图像的单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵H1；
所述单元颜色熵Hc的表达函数如下：
其中，k为255，P′m为单元格内灰度为m的像素出现的概率值；
所述整体颜色熵H1的表达函数如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引。
优选的，单元纹理熵Ht与整体纹理熵H2的计算方法具体包括：
对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元纹理熵Ht，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2；
所述单元纹理熵Ht的表达函数如下：
其中，P(i，j，δ，θ)为灰度为i的像素从(x，y)出发，灰度为j的像素从(x+Δx，y+Δy)同时出现的概率，P(i，j，δ，θ)的表达式如下：
P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]|f(x，y)＝i，f(x+Δx，y+Δy)＝j}
所述整体纹理熵H2的表达式如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，δ表示统计与距离，θ表示像素空间依赖的角度方向。
优选的，单元形状熵Hs与整体形状熵H3的计算方法具体包括：
对于每幅灰度图像，设定阈值T，采用Canny边缘检测算子提取所述灰度图像的图像边缘特征，得到所述灰度图像对应的边缘分布图，所述边缘分布图由0和1二进制数构成，边缘表示为1，非边缘表示为0，对于所述灰度图像对应的各个局部灰度图像，根据所述边缘分布图分别计算各个局部灰度图像的单元形状熵Hs，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3；
所述单元形状熵Hs的表达式如下：
其中，
为局部灰度图像中边缘出现的概率，
的表达式如下：
所述整体形状熵H3的表达式如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，SE为局部灰度图像内的边缘数，变量E表示检测出的边缘。
优选的，所述根据所述卷积特征图计算得到当前层对应的信息增益g()，包括：
每输入一幅南美白对虾图像对应的灰度图像，将所述灰度图像添加至图像数据集，并获取所述图像数据集中各灰度图像在首层对应的图像整体熵，根据所述图像数据集中各灰度图像在首层对应的图像整体熵，计算得到所述图像数据集的熵H(D)，所述图像数据集的熵H(D)的表达式如下：
其中，NN为所述图像数据集中灰度图像的数量，Hl表示灰度图像在首层对应的图像整体熵，l表示图像下标索引；
计算所述图像数据集在所述卷积神经网络每层对应的条件熵H(D|f)，所述条件熵H(D|f)的表达式如下：
H(D|f)＝H(f，D)-H(f)
其中，H(f，D)为联合信息熵，H(f)为所述图像数据集中各幅灰度图像分别在所述卷积神经网络每层对应的卷积特征图的图像整体熵；
根据所述图像数据集的熵H(D)以及所述图像数据集在所述卷积神经网络各层对应的条件熵H(D|f)，采用递推公式计算得到所述卷积神经网络每层对应的信息增益g()，所述递推公式的表达式如下：
g(D，f1)＝H(D)-H(D|f1)
g(D，f2)＝g(D，f1)-H(D|f2)
g(D，f3)＝g(D，f2)-H(D|f3)
…
g(D，fd)＝g(D，fd-1)-H(D|fd)
其中，d为所述卷积神经网络的深度。
优选的，步骤2)中当监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4不等于当前灰度图像对应的图像整体熵H时，终止对当前灰度图像进行的卷积操作，向所述卷积神经网络输入下一幅灰度图像进行各层的卷积操作。
与现有技术相比，本发明提供的一种基于图像熵自适应卷积神经网络的南美白对虾品质检测方法具有以下优点：
本发明提供的一种基于自适应卷积神经网络的南美白对虾品质检测方法，通过引入图像熵理论计算不同来源南美白对虾图像的特征表达差异，从而获取不同来源对虾样本外观特征的演变规律，并把该规律抽象为用于表达熵理论的数学模型，获取不同来源南美白对虾图像外观特性的数学描述方程；基于卷积神经网络构造对虾品质的检测模型，根据多源对虾数据集分类前后呈现的熵减规则计算卷积神经网络中卷积参数和网络深度，消解数据集从随机输入到规则输出的信息熵变化和打破数据类型从三维输入到一维输出的熵变动，最终得到自适应卷积神经网络模型用于南美白对虾品质检测，从而解决了现有南美白对虾品质检测方法对不同来源南美白对虾品质的识别泛化性和稳定性较低的技术问题，达到提高对不同来源南美白对虾品质识别泛化性和稳定性的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明一个实施例提供的一种基于自适应卷积神经网络的南美白对虾品质检测方法的方法流程图。
图2是本发明一个实施例提供的一种对虾灰度图像所对应图像整体熵对随机批次梯度下降在卷积神经网络中的变化趋势图。
图3是本发明一个实施例提供的一种对虾灰度图像所对应整体颜色熵对随机批次梯度下降在卷积神经网络中的变化趋势图。
图4是本发明一个实施例提供的一种对虾灰度图像所对应整体纹理熵对随机批次梯度下降在卷积神经网络中的变化趋势图。
图5是本发明一个实施例提供的一种对虾灰度图像所对应整体形状熵对随机批次梯度下降在卷积神经网络中的变化趋势图。
图6是本发明一个实施例提供的一种卷积神经网络对单幅灰度图像的处理流程示意图。
图7是本发明一个实施例提供的一种网络深度自适应调整的执行示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例(但不限于所举实施例)与附图详细描述本发明，显然，所描述的实施例仅仅是本发明一部分实施例，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。
为了便于对本发明实施例进行说明，预先对本发明实施例涉及的基本概念进行如下介绍：
在香农信息论中，熵用来表示事物的不确定性，不确定性越大，表示信息熵越大，反之，信息熵越小。在图像识别领域，图像群是按照随机打乱的顺序导入神经网络进行训练，此时数据集中图像排列状态是混乱的，图像内容是不确定的，导致数据集整体信息熵最大，而完成分类后的数据集排列规则，此时信息熵最小。神经网络模型输入是一堆随机排列的图像数据，输出的是一堆被分类好的图像类别标签，在此过程中数据集的信息熵随着神经网络的层数增加而逐层递减，当输出图像类别标签时，信息熵最小。
图1是根据一个示例性实施例示出的一种基于自适应卷积神经网络的南美白对虾品质检测方法的方法流程图，如图1所示，该基于自适应卷积神经网络的南美白对虾品质检测方法，包括：
步骤1：构建具有五层结构的卷积神经网络，随机初始化所述卷积神经网络各层对应的卷积核尺寸和步长，按预设顺序依次将各幅南美白对虾图像对应的灰度图像输入所述卷积神经网络。
步骤2：对于每幅灰度图像在每层对应的卷积操作，采用当前层对应的卷积核尺寸和步长对当前灰度图像进行当前层的卷积操作，通过监控器监测计算当前灰度图像对应的图像整体熵H以及整体颜色熵H1、整体纹理熵H2、整体形状熵H3，并在监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4等于当前灰度图像对应的图像整体熵H时，将整体颜色熵H1、整体纹理熵H2、整体形状熵H3在叠加和H4中占比最大的值作为参数更新依据，对当前层对应的卷积核尺寸和步长进行参数更新。
需要说明的是，当监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4不等于当前灰度图像对应的图像整体熵H时，终止对当前灰度图像进行的卷积操作，向所述卷积神经网络输入下一幅灰度图像进行各层的卷积操作。
对于不同养殖源采集的对虾样本在外观上通常存在不同，这种差异可用以上定义的整体颜色熵H1、整体纹理熵H2、整体形状熵H3表示，它们满足公式1：
H＝H1+H2+H3＝H4 公式1
公式1描述了南美白对虾图像的灰度图像对应的图像整体熵H等价于其对应整体颜色熵H1、整体纹理熵H2、整体形状熵H3之和。
所述图像整体熵H用于表达灰度图像对应南美白对虾的不确定程度，所述整体颜色熵用于表达灰度图像所对应南美白对虾表面颜色的不确定性程度，所述整体纹理熵用于表达灰度图像所对应南美白对虾表面纹理的不确定性程度，所述整体形状熵用于表达灰度图像所对应南美白对虾形状的不确定性程度。
根据香农信息论，一幅大小为M×N图像的图像整体熵H的表达函数如公式2：
其中，Pij为所述灰度图像中点(i，j)处的灰度分布概率，Pij的表达式如公式3：
M和N分别为所述灰度图像的图像尺寸，i和j表示像素下标索引，f(i，j)为所述灰度图像中点(i，j)处的灰度值，H为图像整体熵，Pij为所述灰度图像中点(i，j)处的灰度分布概率。
为了说明灰度图像的图像整体熵对后续自适应卷积神经网络模型的影响，本发明通过图2示出了对虾灰度图像所对应图像整体熵对随机批次梯度下降在卷积神经网络中的变化趋势图，在图2中，纵坐标H为灰度图像在各层对应的图像整体熵，横坐标L为卷积神经网络的层数。从该趋势图中可以看出，图像整体熵在卷积神经网络的前5层下降迅速，后面的下降速度开始逐渐放缓，说明前5层所提取的对虾特征对虾体品质的检测起到了关键作用，因此为了提高神经网络运行的效率，减少不必要的时间消耗，本发明实施例在步骤1中选取一个具有五层结构的卷积神经网络作为初始卷积神经网络。
在本发明中，H用于衡量一幅图像整体的不确定度，其中包含了颜色不确定度-整体颜色熵H1、纹理不确定度-整体纹理熵H2和形状不确定度-整体形状熵H3，这三者所引起的对虾外观差异是不同来源南美白对虾产生差异的根本原因，因此为了阐明这三者对构建卷积神经网络的影响效果，本发明在下述分别构建这三者的数学模型。
需要说明的是，本发明在阐述图像整体熵H、整体颜色熵H1、整体纹理熵H2、整体形状熵H3对卷积神经网络影响时，对绘制的图采用的基本卷积神经网络模型为经典的ResNet152的网络，该网络具有152层。
优选的，整体颜色熵H1、整体纹理熵H2、整体形状熵H3的计算方法包括：
(A)对于每个灰度图像，将所述灰度图像投射至包含预设网格单元的网格空间，从而将所述灰度图像由所述网格空间分割为至少二个局部灰度图像。
取大小M×N的灰度图像中以(i，j)为中点的一个局部灰度图像代入公式2，且该局部灰度图像的大小为a×b，则此时，H为图像的局部熵。
(B)对于每个灰度图像，分别计算所述灰度图像所对应各个局部灰度图像的单元颜色熵Hc、单元纹理熵Ht和单元形状熵Hs，将各个单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵H1，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3。
所述整体颜色熵用于表达灰度图像所对应南美白对虾表面颜色的不确定性程度。为了表征对虾图像的整体颜色熵H1，本发明从局部灰度图像的颜色熵入手，引入单元颜色熵Hc概念，其基本思想是灰度图像投射至包含预设网格单元的网格空间后，每个网格单元内的图像相当于整幅灰度图像的局部灰度图像，所有局部灰度图像共同组成了整幅灰度图像，当该灰度图像为256灰度色时，优选的，单元颜色熵Hc与整体颜色熵H1的计算方法具体包括：
(a)对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元颜色熵Hc，将各个局部灰度图像的单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵Hl；
所述单元颜色熵Hc的表达函数如公式4：
其中，k为255，P′m为单元格内灰度为m的像素出现的概率值。
采用单元颜色熵Hc对各个局部灰度图像特征进行表示后，整幅灰度图像的整体颜色熵H1就变成了由单元颜色熵构成的熵组合表示，即，对于一幅灰度图像，其整体颜色熵H1等价于灰度图像中各个局部灰度图像的单元颜色熵Hc累加之和。
所述整体颜色熵H1的表达函数如公式5：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引。
为了说明灰度图像颜色熵对后续自适应卷积神经网络模型的影响，本发明通过图3示出了对虾灰度图像所对应整体颜色熵对随机批次梯度下降在卷积神经网络中的变化趋势图，在图3中，纵坐标H1为灰度图像在各层对应的整体颜色熵，横坐标L为卷积神经网络的层数。从该趋势图中可以看出，与整体熵类似，颜色熵在神经网络的前10层下降迅速，尤其显著的是前3层下降尤为迅速，10层之后下降速度开始逐渐放缓，这说明在当前批次的对虾灰度图像在外观颜色上的特征表达差异可以通过所构建自适应卷积神经网络模型的前三层予以提取。
所述整体纹理熵用于表达灰度图像所对应南美白对虾表面纹理的不确定性程度，其反映了对虾灰度图像像素之间的灰度级空间相关规律与局部灰度图像灰度变化程度的大小。
优选的，单元纹理熵Ht与整体纹理熵H2的计算方法具体包括：
(b)对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元纹理熵Ht，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2；
所述单元纹理熵Ht的表达函数如公式6：
其中，P(i，j，δ，θ)为灰度为i的像素从(x，y)出发，灰度为j的像素从(x+Δx，y+Δy)同时出现的概率，P(i，j，δ，θ)的表达式如公式7：
P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]|f(x，y)＝i，f(x+Δx，y+Δy)＝j} 公式7
上述公式6反映了对虾灰度图像关于方向、相邻间隔、变化幅度的综合信息，同时可作为图像基元和排列结构信息分析单幅灰度图像的不确定性程度。
与整体颜色熵类似，对于一幅灰度图像，其整体纹理熵H2等价于灰度图像中各个局部灰度图像的单元纹理熵Ht累加之和。
所述整体纹理熵H2的表达式如公式8：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，δ表示统计与距离，θ表示像素空间依赖的角度方向。
为了说明灰度图像纹理熵对后续自适应卷积神经网络模型的影响，本发明通过图4示出了对虾灰度图像所对应整体纹理熵对随机批次梯度下降在卷积神经网络中的变化趋势图，在图4中，纵坐标H2为灰度图像在各层对应的整体纹理熵，横坐标L为卷积神经网络的层数。从该趋势图中可以看出，与整体熵类似，纹理熵在神经网络的前8层下降迅速，尤其显著的是前4层下降尤为迅速，8层之后下降速度开始逐渐放缓，这说明不同养殖源的对虾在纹理的特征表达差异可以通过所构建网络的前四层予以提取，其所蕴含纹理特征表示满足前面所分析的结果，这与在整体熵和颜色熵中分析的结果相一致。
所述整体形状熵用于表达灰度图像所对应南美白对虾形状的不确定性程度。优选的，单元形状熵Hs与整体形状熵H3的计算方法具体包括：
(c)对于每个灰度图像，设定阈值T，采用Canny边缘检测算子提取所述灰度图像的图像边缘特征，得到所述灰度图像对应的边缘分布图，所述边缘分布图由0和1二进制数构成，边缘表示为1，非边缘表示为0，对于所述灰度图像对应的各个局部灰度图像，根据所述边缘分布图分别计算各个局部灰度图像的单元形状熵Hs，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3；
所述单元形状熵Hs的表达式如公式9：
其中，
为局部灰度图像中边缘出现的概率，
的表达式如公式10：
与整体颜色熵、整体纹理熵类似，对于一幅灰度图像，其整体形状熵H3等价于灰度图像中各个局部灰度图像的单元形状熵Hs累加之和。
所述整体形状熵H3的表达式如公式11：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，SE为局部灰度图像内的边缘数，变量E表示检测出的边缘。
需要说明的是，公式10中分母部分是二维矩阵中存在的理论最大边缘数。
为了说明灰度图像形状熵对后续自适应卷积神经网络模型的影响，本发明通过图5示出了对虾灰度图像所对应整体形状熵对随机批次梯度下降在卷积神经网络中的变化趋势图，在图5中，纵坐标H3为灰度图像在各层对应的整体形状熵，横坐标L为卷积神经网络的层数。从该趋势图中可以看出，来自同一源头南美白对虾在外观形状上的差异不明显，大体一致，因而在趋势图中，整体的形状熵的递减趋势都比较平缓，说明形状特征是随着网络层数的加深逐渐提取完成。
对于不同养殖源采集的南美白对虾图像，其外观上往往存在不同，这种差异可用使用上述整体颜色熵H1、整体纹理熵H2、整体形状熵H3进行表达说明，在本发明中，一幅南美白对虾的灰度图像所对应图像整体熵H应当等价于整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4，即公式1。
步骤3：采用更新后的卷积核尺寸和步长继续对当前灰度图像进行当前层的卷积操作，直至当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3满足预设终止规则时，将当前卷积核尺寸和当前步长确定为所述卷积神经网络当前层的优选参数，将卷积操作后的当前灰度图像确定为灰度图像在当前层的卷积特征图，所述预设终止规则包括：整体颜色熵H1、整体纹理熵H2、整体形状熵H3的递减幅度大于50％。
在构建基于自适应图像熵卷积神经网络过程中，卷积操作是控制卷积神经网络中每层输出特征的重要操作，而其中涉及到的优选参数则是其中重要环节。下面给出基于图像熵确定优选参数的具体实施流程。首先，随机初始化卷积操作中的两个重要参数：卷积核尺寸和步长，以这两个随机初始化的参数对原始输入的灰度图像进行卷积操作，在对每一个局部灰度图像进行卷积同时，安插监控器对每次卷积操作进行监控，并计算当前局部灰度图像的单元颜色熵Hc、单元纹理熵Ht和单元形状熵Hs，当遍历完一幅灰度图像时，统计以上三者各自的叠加之和，即H4，然后验证叠加和H4与图像整体熵H的关系是否满足公式1，若不满足，则终止对当前灰度图像进行的卷积操作，向所述卷积神经网络输入下一幅灰度图像进行各层的卷积操作，若满足则计算整体颜色熵H1、整体纹理熵H2、整体形状熵H3在叠加和H4中各自的占比比重，将占比较大数值所对应的熵作为参数更新规则，对相应的卷积核尺寸和步长进行参数微调，在调整参数后，重新对输入的灰度图像进行卷积操作，直到局部灰度图像的整体颜色熵H1、整体纹理熵H2、整体形状熵H3数值相等或三者的递减幅度均超过50％；最后，对卷积神经网络中的每一层都采用此参数更新方法，即可获取卷积神经网络每层对应的优选参数，以及灰度图像在所述卷积神经网络每层对应的卷积特征图。
步骤4：根据所述卷积特征图计算得到当前层对应的信息增益g()，当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率不大于50％时，将所述卷积特征图作为当前灰度图像输入下一层继续进行步骤2至步骤3所述的卷积操作；当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率大于50％时，将当前层对应的深度确定为最佳深度，并将当前层对应的卷积特征图进行输出。
函数g()表示信息增益，即原始数据在已知特征后，不确定性程度消减的数值。其中，图像数据集包括：具有不同染病虾种类和数量的灰度图像、具有不同外观形态比例的正品虾和次品虾灰度图像、早期染病虾与正常虾灰度图像。
优选的，步骤4中根据所述卷积特征图计算得到当前层对应的信息增益g()，包括：
每输入一幅南美白对虾图像对应的灰度图像，将所述灰度图像添加至图像数据集，并获取所述图像数据集中各灰度图像在首层对应的图像整体熵，根据所述图像数据集中各灰度图像在首层对应的图像整体熵，计算得到所述图像数据集的熵H(D)，所述图像数据集的熵H(D)的表达式如公式12：
其中，NN为所述图像数据集中灰度图像的数量，Hl表示单张灰度图像在首层对应的图像整体熵，l表示图像下标索引。
计算所述图像数据集在所述卷积神经网络每层对应的条件熵H(D|f)，所述条件熵H(D|f)的表达式如公式13：
H(D|f)＝H(f，D)-H(f) 公式13
其中，H(f，D)为联合信息熵，H(f)为所述图像数据集中各个灰度图像分别在所述卷积神经网络每层对应的卷积特征图的图像整体熵。
通过步骤3可知，在对灰度图像进行每一层卷积操作之后均能够得到一个卷积特征图，在获取该卷积特征图之后，图像数据集中各个灰度图像所对应图像整体熵H消减，即在当前卷积特征图下原始图像数据集的熵H(D)的变化量即为公式13中的条件熵H(D|f)。
在公式13中，生成的特征图对应的熵H(f)可由步骤2予以求解，对于H(f，D)的求解可以通过卷积神经网络每得出一个卷积特征图时，匹配后端全连接层获取一次分类结果，这样可以得到关于每次获取卷积特征图对应的分类结果，即可得到该联合信息熵H(f，D)；每获得一次卷积特征图，即可求解一次条件熵H(D|f)，因而条件熵H(D|f)求解与卷积特征图求解具有负反馈调节作用。
卷积神经网络存在多层结构，需要求解经过每层卷积操作后余下的信息熵，因此本发明根据所述图像数据集的熵H(D)以及所述图像数据集在所述卷积神经网络各层对应的条件熵H(D|f)，采用递推公式计算得到所述卷积神经网络每层对应的信息增益g()，所述递推公式的表达式如下：f4
g(D，f1)＝H(D)-H(D|f1)
g(D，f2)＝g(D，f1)-H(D|f2)
g(D，f3)＝g(D，f2)-H(D|f3)
…
g(D，fd)＝g(D，fd-1)-H(D|fd)
其中，d为所述卷积神经网络的深度。
按照香农信息论中的信息守恒理论，输入数据量的信息熵应该与输出数据量的信息熵保持一致，然而，根据上述说明内容可知，输入数据的不确定性程度经过逐层已知特征条件的解释后，输出数据的不确定性程度大大降低，因此卷积神经网络中每一层的信息增益必然满足不确定性程度逐层递减规则，若发现在递减过程中，信息增益有突然增大的情况，即把当前遍历到的深度作为当前图像数据集的最佳深度，并在当前深度下把每层获取的卷积核尺寸和步长作为优选参数。在本发明实施例提供的一种可能的实施方式中，当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率大于50％，即，当(g(D，fd)-g(D，fd-1))/g(D，fd-1)＞50％时，将当前层对应的深度确定为最佳深度。
比如，卷积神经网络依次对卷积层进行信息增益g()的遍历计算，得到(g(D，f1)-g(D，f2))/g(D，f1)＝32％，(g(D，f2)-g(D，f3))/g(D，f2)＝45％，(g(D，f3)-g(D，f4))/g(D，f3)＝60％，则将4确定为卷积神经网络网络的最佳深度。
为了便于说明步骤2-4中卷积神经网络对单幅灰度图像进行的处理流程，本发明通过图6示出了卷积神经网络对单幅灰度图像的处理流程示意图，具体如图6所示。
需要说明的是，每当一幅灰度图像作为输入数据输入卷积神经网络且执行一次步骤2-4所述的卷积操作后，卷积神经网络可以对该幅灰度图像逐层卷积操作所获取的各层对应卷积特征图通过数据库进行存储，各个卷积特征图并不对后续输入南美白对虾图像对应灰度图像的卷积操作产生影响；而卷积神经网络对该幅灰度图像逐层卷积操作所获取的每层对应优选参数，则作为卷积神经网络对下一幅灰度图像进行卷积操作时各层对应的初始参数，即，上一幅灰度图像经卷积神经网络计算后所得各层对应的卷积核尺寸和步长，作为下一幅灰度图像经卷积神经网络进行卷积操作时各层对应的初始卷积核尺寸和步长。当输入卷积神经网络的南美白对虾对应的灰度图像数量越多，种类区别越大，卷积神经网络各层对应的卷积核尺寸和步长参数越能够对不同南美白对虾图像进行更好的特征表达。
当确定出一幅南美白对虾对应的灰度图像在卷积神经网络中对应的最佳深度及各层的优选参数，并将最佳深度所在层对应的卷积特征图进行输出后，卷积神经网络继续获取新输入南美白对虾图像对应的灰度图像并对其进行各层的卷积操作，此处不做赘述。
上述步骤2-4完整描述了单幅南美白对虾图像对卷积神经网络中卷积操作的作用方法，随着带有不同来源标签的南美白对虾图像对应的灰度图像不断输入已构建的卷积神经网络，每一层卷积核尺寸和步长都会发生变化。
进一步的，随着图像样本数量的累积以及导入图像的先后顺序不同，而且不同来源南美白对虾之间，健康虾与染病虾之间所具有的熵存在不同，经过以上基于单幅图像的计算过程可以确定得到不同参数所对应的卷积核尺寸和步长，而不同对虾图像数据集导入的样本会由量变引起质变，即卷积核尺寸和步长会依据不同对虾图像数据集中呈现的对虾类别、每类包含的样本数量以及导入图像的先后顺序的差异而发生变化，由于针对先前构建的五个对虾图像数据集中，这三个指标都不一样，因此基于对应的所要调整的卷积核尺寸和步长各不相同。
示例性的，在一种可能的实施方式中，卷积核尺寸和步长的自适应调整策略可以如表一所示。
表一
在表一中，C1表示正品虾类别，C2-C4表示不同类型的染病虾类别。
其中，图像数据集中各灰度图像的整体熵、类别、每类包含对虾数量以及灰度图像导入顺序，这些指标的变化会导致自适应卷积神经网络中的最佳深度的计算过程和结果也会自适应发生变化，如上述表一举例所示。
为了便于说明图像数据集对网络深度的自适应调整方法，本发明还示出了一种网络深度自适应调整的执行示意图，如图7所示。
步骤5：每输入一幅南美白对虾图像对应的灰度图像，采用上一幅南美白对虾图像对应的最佳深度，以及上一幅南美白对虾图像对应的各层优选参数对所述卷积神经网络进行参数更新，并采用参数更新后的所述卷积神经网络对当前输入的灰度图像进行步骤2至步骤4所述的卷积操作。
通过上述步骤1-5即可构建得到用于南美白对虾品质检测方法的自适应卷积神经网络模型，当存在其他来源的南美白对虾图像作为输入数据输入本发明得到的卷积神经网络时，自适应卷积神经网络模型可以根据当前批次图像数据集中南美白对虾的图像熵自适应调整自身各项参数，从而对不同来源南美白对虾的特征进行灵活表达，进而提高南美白对虾品质检测方法对不同来源南美白对虾品质检测泛化性的技术效果。
本发明引入熵理论来描述不同来源南美白对虾图像数据集的特征，根据不同来源南美白对虾样本外观特征的演变规律构建用于表达熵理论的数学模型，从而得到用于表达不同来源南美白对虾图像数据集外观特性的数学描述方程，并基于各个熵理论对应的数学描述方程，采用卷积神经网络构造南美白对虾品质的基本检测模型，并根据不同来源南美白对虾灰度图像在分类前后呈现的熵减规则分别对卷积神经网络中卷积操作和网络深度的影响效果，消解图像数据集从随机输入到规则输出的信息熵变化，打破数据类型从三维输入到一维输出的熵变动，最终获取可用于描述自适应卷积神经网络的南美白对虾检测模型。
综上所述，本发明提供的一种基于自适应卷积神经网络的南美白对虾品质检测方法，通过引入图像熵理论计算不同来源南美白对虾图像的特征表达差异，从而获取不同来源对虾样本外观特征的演变规律，并把该规律抽象为用于表达熵理论的数学模型，获取不同来源南美白对虾图像外观特性的数学描述方程；基于卷积神经网络构造对虾品质的检测模型，根据多源对虾数据集分类前后呈现的熵减规则计算卷积神经网络中卷积参数和网络深度，消解数据集从随机输入到规则输出的信息熵变化和打破数据类型从三维输入到一维输出的熵变动，最终得到自适应卷积神经网络模型用于南美白对虾品质检测，从而解决了现有南美白对虾品质检测方法对不同来源南美白对虾品质的识别泛化性和稳定性较低的技术问题，达到提高对不同来源南美白对虾品质识别泛化性和稳定性的技术效果。
虽然，前文已经用一般性说明、具体实施方式及试验，对本发明做了详尽的描述，但在本发明基础上，可以对之进行修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
本领域技术人员在考虑说明书及实践这里的发明的后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。
Claims (9)
1.一种基于自适应卷积神经网络的南美白对虾品质检测方法，其特征在于，所述方法包括：
1)构建具有五层结构的卷积神经网络，随机初始化所述卷积神经网络各层对应的卷积核尺寸和步长，按预设顺序依次将各幅南美白对虾图像对应的灰度图像输入所述卷积神经网络；
2)对于每幅灰度图像在每层对应的卷积操作，采用当前层对应的卷积核尺寸和步长对当前灰度图像进行当前层的卷积操作，通过监控器监测计算当前灰度图像对应的图像整体熵H以及整体颜色熵H1、整体纹理熵H2、整体形状熵H3，并在监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4等于当前灰度图像对应的图像整体熵H时，将整体颜色熵H1、整体纹理熵H2、整体形状熵H3在叠加和H4中占比最大的值作为参数更新依据，对当前层对应的卷积核尺寸和步长进行参数更新；
3)采用更新后的卷积核尺寸和步长继续对当前灰度图像进行当前层的卷积操作，直至当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3满足预设终止规则时，将当前卷积核尺寸和当前步长确定为所述卷积神经网络当前层的优选参数，将卷积操作后的当前灰度图像确定为灰度图像在当前层的卷积特征图，所述预设终止规则包括：整体颜色熵H1、整体纹理熵H2、整体形状熵H3的递减幅度大于50％；
4)根据所述卷积特征图计算得到当前层对应的信息增益g()，当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率不大于50％时，将所述卷积特征图作为当前灰度图像输入下一层继续进行步骤2)至步骤3)所述的卷积操作；当监测到当前层对应的信息增益g()相较上一层对应的信息增益g()的递减率大于50％时，将当前层对应的深度确定为最佳深度，并将当前层对应的卷积特征图进行输出；
5)每输入一幅南美白对虾图像对应的灰度图像，采用上一幅南美白对虾图像对应的最佳深度，以及上一幅南美白对虾图像对应的各层优选参数对所述卷积神经网络进行参数更新，并采用参数更新后的所述卷积神经网络对当前输入的灰度图像进行步骤2)至步骤4)所述的卷积操作。
2.根据权利要求1所述的方法，其特征在于，所述图像整体熵H用于表达灰度图像对应南美白对虾的不确定程度，所述整体颜色熵用于表达灰度图像所对应南美白对虾表面颜色的不确定性程度，所述整体纹理熵用于表达灰度图像所对应南美白对虾表面纹理的不确定性程度，所述整体形状熵用于表达灰度图像所对应南美白对虾形状的不确定性程度。
3.根据权利要求1所述的方法，其特征在于，所述图像整体熵H的表达函数如下：
其中，Pij为所述灰度图像中点(i，j)处的灰度分布概率，Pij的表达式如下：
M和N分别为所述灰度图像的图像尺寸，i和j表示像素下标索引，f(i，j)为所述灰度图像中点(i，j)处的灰度值，H为图像整体熵，Pij为所述灰度图像中点(i，j)处的灰度分布概率。
4.根据权利要求1所述的方法，其特征在于，整体颜色熵H1、整体纹理熵H2、整体形状熵H3的计算方法包括：
对于每幅灰度图像，将所述灰度图像投射至包含预设网格单元的网格空间，从而将所述灰度图像由所述网格空间分割为至少二个局部灰度图像；
对于每幅灰度图像，分别计算所述灰度图像所对应各个局部灰度图像的单元颜色熵Hc、单元纹理熵Ht和单元形状熵Hs，将各个单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵H1，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3。
5.根据权利要求4所述的方法，其特征在于，单元颜色熵Hc与整体颜色熵H1的计算方法具体包括：
对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元颜色熵Hc，将各个局部灰度图像的单元颜色熵Hc之和确定为所述灰度图像对应的整体颜色熵H1；
所述单元颜色熵Hc的表达函数如下：
其中，k为255，P′m为单元格内灰度为m的像素出现的概率值；
所述整体颜色熵H1的表达函数如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引。
6.根据权利要求4所述的方法，其特征在于，单元纹理熵Ht与整体纹理熵H2的计算方法具体包括：
对于所述灰度图像对应的各个局部灰度图像，分别计算各个局部灰度图像的单元纹理熵Ht，将各个单元纹理熵Ht之和确定为所述灰度图像对应的整体纹理熵H2；
所述单元纹理熵Ht的表达函数如下：
其中，P(i，j，δ，θ)为灰度为i的像素从(x，y)出发，灰度为j的像素从(x+Δx，y+Δy)同时出现的概率，P(i，j，δ，θ)的表达式如下：
P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]|f(x，y)＝i，f(x+Δx，y+Δy)＝j}
所述整体纹理熵H2的表达式如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，δ表示统计与距离，θ表示像素空间依赖的角度方向。
7.根据权利要求4所述的方法，其特征在于，单元形状熵Hs与整体形状熵H3的计算方法具体包括：
对于每幅灰度图像，设定阈值T，采用Canny边缘检测算子提取所述灰度图像的图像边缘特征，得到所述灰度图像对应的边缘分布图，所述边缘分布图由0和1二进制数构成，边缘表示为1，非边缘表示为0，对于所述灰度图像对应的各个局部灰度图像，根据所述边缘分布图分别计算各个局部灰度图像的单元形状熵Hs，将各个单元形状熵Hs之和确定为所述灰度图像对应的整体形状熵H3；
所述单元形状熵Hs的表达式如下：
其中，
为局部灰度图像中边缘出现的概率，
的表达式如下：
所述整体形状熵H3的表达式如下：
上述a、b分别为局部灰度图像的图像尺寸，i和j为像素下标索引，SE为局部灰度图像内的边缘数，变量E表示检测出的边缘。
8.根据权利要求1所述的方法，其特征在于，所述根据所述卷积特征图计算得到当前层对应的信息增益g()，包括：
每输入一幅南美白对虾图像对应的灰度图像，将所述灰度图像添加至图像数据集，并获取所述图像数据集中各灰度图像在首层对应的图像整体熵，根据所述图像数据集中各灰度图像在首层对应的图像整体熵，计算得到所述图像数据集的熵H(D)，所述图像数据集的熵H(D)的表达式如下：
其中，NN为所述图像数据集中灰度图像的数量，Hl表示单张灰度图像在首层对应的图像整体熵，l表示图像下标索引；
计算所述图像数据集在所述卷积神经网络每层对应的条件熵H(D|f)，所述条件熵H(D|f)的表达式如下：
H(D|f)＝H(f，D)-H(f)
其中，H(f，D)为联合信息熵，H(f)为所述图像数据集中各幅灰度图像分别在所述卷积神经网络每层对应的卷积特征图的图像整体熵；
根据所述图像数据集的熵H(D)以及所述图像数据集在所述卷积神经网络各层对应的条件熵H(D|f)，采用递推公式计算得到所述卷积神经网络每层对应的信息增益g()，所述递推公式的表达式如下：
g(D，f1)＝H(D)-H(D|f1)
g(D，f2)＝g(D，f1)-H(D|f2)
g(D，f3)＝g(D，f2)-H(D|f3)
…
g(D，fd)＝g(D，fd-1)-H(D|fd)
其中，d为所述卷积神经网络的深度。
9.根据权利要求1所述的方法，其特征在于，步骤2)中当监测出当前灰度图像对应的整体颜色熵H1、整体纹理熵H2、整体形状熵H3的叠加和H4不等于当前灰度图像对应的图像整体熵H时，终止对当前灰度图像进行的卷积操作，向所述卷积神经网络输入下一幅灰度图像进行各层的卷积操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010722936.0A CN112907503B (zh) | 2020-07-24 | 2020-07-24 | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010722936.0A CN112907503B (zh) | 2020-07-24 | 2020-07-24 | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907503A true CN112907503A (zh) | 2021-06-04 |
| CN112907503B CN112907503B (zh) | 2024-02-13 |
Family
ID=76111273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010722936.0A Active CN112907503B (zh) | 2020-07-24 | 2020-07-24 | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907503B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170624A (zh) * | 2021-10-05 | 2022-03-11 | 三信贸易株式会社 | 锦鲤品评会系统及其实施装置及方法、程序、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103801520A (zh) * | 2014-01-27 | 2014-05-21 | 浙江大学 | 虾的自动精选分级方法与装置 |
| CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN108345894A (zh) * | 2017-01-22 | 2018-07-31 | 北京同方软件股份有限公司 | 一种基于深度学习和熵模型的交通事件检测方法 |
| US20200210773A1 (en) * | 2019-01-02 | 2020-07-02 | Boe Technology Group Co., Ltd. | Neural network for image multi-label identification, related method, medium and device |
-
2020
- 2020-07-24 CN CN202010722936.0A patent/CN112907503B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103801520A (zh) * | 2014-01-27 | 2014-05-21 | 浙江大学 | 虾的自动精选分级方法与装置 |
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
| CN108345894A (zh) * | 2017-01-22 | 2018-07-31 | 北京同方软件股份有限公司 | 一种基于深度学习和熵模型的交通事件检测方法 |
| US20200210773A1 (en) * | 2019-01-02 | 2020-07-02 | Boe Technology Group Co., Ltd. | Neural network for image multi-label identification, related method, medium and device |
Non-Patent Citations (1)
| Title |
|---|
| 贾振卿;刘雪峰;: "基于YOLO和图像增强的海洋动物目标检测", 电子测量技术, no. 14, pages 89 - 93 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170624A (zh) * | 2021-10-05 | 2022-03-11 | 三信贸易株式会社 | 锦鲤品评会系统及其实施装置及方法、程序、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907503B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
| US8224089B2 (en) | Information processing device and information processing method, image processing device and image processing method, and computer program | |
| Alsmadi et al. | Robust feature extraction methods for general fish classification | |
| CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
| CN107358626A (zh) | 一种利用条件生成对抗网络计算视差的方法 | |
| CN107862275A (zh) | 人体行为识别模型及其构建方法和人体行为识别方法 | |
| CN103942571B (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
| Badawi et al. | A hybrid memetic algorithm (genetic algorithm and great deluge local search) with back-propagation classifier for fish recognition | |
| CN110309835B (zh) | 一种图像局部特征提取方法及装置 | |
| CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
| CN116312782B (zh) | 一种融合影像基因数据的空间转录组spot区域聚类方法 | |
| Surya et al. | Cassava leaf disease detection using convolutional neural networks | |
| CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN112580662A (zh) | 一种基于图像特征识别鱼体方向的方法及系统 | |
| CN112906813A (zh) | 一种基于密度聚类和胶囊神经网络的浮选工况识别方法 | |
| CN113095333A (zh) | 无监督特征点检测方法及装置 | |
| CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
| CN112529068A (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
| Luan et al. | Sunflower seed sorting based on convolutional neural network | |
| CN114612450A (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
| CN112907503A (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
| CN113011091A (zh) | 一种自动分组的多尺度轻量型深度卷积神经网络优化方法 | |
| CN115131384B (zh) | 基于边缘保持的仿生机器人3d打印方法、装置及介质 | |
| CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |