CN112949408A - 一种过鱼通道目标鱼类实时识别方法和系统 - Google Patents

Abstract

本发明涉及一种过鱼通道目标鱼类实时识别方法和系统。所述过鱼通道目标鱼类实时识别方法包括：获取过鱼通道的待检测图像；获取目标鱼类检测模型；采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类。本发明提供的过鱼通道目标鱼类实时识别方法和系统，基于目标鱼类检测模型，以在实现过鱼目标种类识别的高效性和高精确性的同时，能够实时识别过鱼通道内过鱼目标种类。

Description

一种过鱼通道目标鱼类实时识别方法和系统

技术领域

本发明涉及鱼类识别领域，特别是涉及一种过鱼通道目标鱼类实时识别方法和系统。

背景技术

传统的鱼类静态识别技术最初一般采用人工筛选，通过人为的设计特征，再基于这些特征选择分类器对目标进行识别，这种方法不仅劳动强度大，方法效率低下，提取的特征有限，分类精确度也较低。随着图像处理与机器视觉技术的发展，从基于特征值、相关系数、神经网络、分级分类、支持向量机，到后续利用多种形式的卷积神经网络对鱼类种类进行识别，新的鱼类识别技术不仅可以降低劳动强度，同时还可以提高准确率。

并且，早期的鱼类识别技术主要集中在品种识别、鱼龄判断和鱼类分级等方面。基本识别实现过程为：输入鱼类图像，选择鱼类特征，构建分类器，将特征向量输入分类器进行品种识别。其中分类方法包括：判别分析、BP(Back Propagation)神经网络、贝叶斯、轮廓匹配法和支持向量机(Support VectorMachine，SVM)等。

上世纪以来，计算机信息技术飞速发展，深度学习在计算机视觉等多个领域取得重大突破，将深度学习的强大能力及优势运用到鱼类图像识别领域，是对鱼类图像识别的一次重大创新和提升。鱼类体型各异、大小不一，识别起来较为复杂，而且同一类鱼的不同品种拥有相似的外形、尺寸以及纹理等特征，传统的监测识别方法很难得出正确的识别结果，而基于深度学习的方法，具有强大的学习能力及计算优势，不仅能保证鱼类识别的正确率，同时能以较高的效率得到监测分析结果。

目前基于深度学习的鱼类识别技术主要是目标检测算法。目标检测方法主要可分为RCNN(Region-CNN)系列的基于候选区域和深度学习分类的目标检测算法(如Fast RCNN、Faster RCNN以及R-FCN等)和以YOLO(You Only Look Once)为代表的基于深度学习的回归方法的目标检测算法(如YOLO、SSD)，前者检测结果精度较高，但是速度较慢，后者精度较低但检测速度较快。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种过鱼通道目标鱼类实时识别方法和系统，以实现过鱼目标种类识别的高效性和高精确性。

为实现上述目的，本发明提供了如下方案：

一种过鱼通道目标鱼类实时识别方法，包括：

获取过鱼通道的待检测图像；

获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

优选地，所述获取目标鱼类检测模型，之前还包括：

获取样本训练集、样本测试集和样本验证集；

获取初始神经网络模型；

采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型。

优选地，所述采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型，具体包括：

采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；

对所述Softmax向量进行交叉熵计算得到分类损失值；

对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；

采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型。

优选地，所述采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型，具体包括：

采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

通过池化层将所述第二特征图生成固定尺寸的建议特征图；

采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

优选地，所述样本训练集的确定过程为：

获取训练图片；所述训练图片含有标注信息；

采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

获取设定阈值；

确定所述IOU值和所述设定阈值间的关系；

当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的过鱼通道目标鱼类实时识别方法，通过采用目标鱼类检测模型可以对过鱼通道中是否含目标品种鱼类进行检测，并且，基于本发明提供的目标鱼类检测模型，以在实现过鱼目标种类识别的高效性和高精确性的同时，能够实时识别过鱼通道内过鱼目标种类。

此外，对应于上述提供的过鱼通道目标鱼类实时识别方法，本发明还提供了一种如下系统：

一种过鱼通道目标鱼类实时识别系统，包括：

待检测图像获取模块，用于获取过鱼通道的待检测图像；

目标鱼类检测模型获取模块，用于获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

检测模块，用于采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

优选地，还包括：

数据集获取模块，用于获取样本训练集、样本测试集和样本验证集；

初始神经网络模型获取模块，用于获取初始神经网络模型；

第一神经网络模型确定模块，用于采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

训练模块，用于采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

联合训练模块，用于采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型。

优选地，所述第一神经网络模型确定模块具体包括：

向量确定单元，用于采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；

分类损失值确定单元，用于对所述Softmax向量进行交叉熵计算得到分类损失值；

回归损失值确定单元，用于对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；

第一神经网络模型确定单元，用于采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型。

优选地，所述联合训练模块具体包括：

第一特征图确定单元，用于采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

第二特征图确定单元，用于采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

建议特征图确定单元，用于通过池化层将所述第二特征图生成固定尺寸的建议特征图；

目标鱼类检测单元，用于采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

优选地，包括样本训练集构建模块；所述样本训练集构建模块包括：

训练图片获取单元，用于获取训练图片；所述训练图片含有标注信息；

感兴趣区域提取模块，用于采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

IOU值确定单元，用于根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

设定阈值获取单元，用于获取设定阈值；

关系确定单元，用于确定所述IOU值和所述设定阈值间的关系；

正样本确定单元，用于当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

样本训练集构建单元，用于依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300。

因本发明提供的过鱼通道目标鱼类实时识别系统所实现的效果与本发明提供的过鱼通道目标鱼类实时识别方法所达到的效果相同，在此不再进行赘述。

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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的过鱼通道目标鱼类实时识别方法的流程图；

图2为本发明实施例提供的神经网络模型的结构示意图；

图3为本发明实施例提供的各数据集使用的流程图；

图4为本发明实施例提供的确定IOU值的原理图；

图5为本发明实施例提供的Faster-RCNN的运行原理图；

图6为本发明提供的过鱼通道目标鱼类实时识别系统的结构示意图。

具体实施方式

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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种具有高效性、高精确性的过鱼通道目标鱼类实时识别方法和系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的过鱼通道目标鱼类实时识别方法的流程图，如图1所示，一种过鱼通道目标鱼类实时识别方法，包括：

步骤100：获取过鱼通道的待检测图像。

步骤101：获取目标鱼类检测模型。目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型。

步骤102：采用目标鱼类检测模型确定待检测图像中包含目标品种鱼类。目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

优选地，在获取目标鱼类检测模型之前，需要对这一模型进行构建，本发明构建获取目标鱼类检测模型的过程具体包括：

A、获取样本训练集、样本测试集和样本验证集。

B、获取初始神经网络模型。本发明中，初始神经网络模型优选为Faster-RCNN卷积神经网络模型，其具体结构如图2所示。

C、采用样本训练集对神经网络模型进行训练，以调整初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型。该过程具体包括：

采用样本训练集对神经网络模型进行训练，得到神经网络模型输出的Softmax向量和坐标向量。

对Softmax向量进行交叉熵计算得到分类损失值。其中，分类损失的计算公式为：

式中，i表示第i个目标候选框索引，p_i是第i个候选框为目标的概率，p_i*为非目标的概率。

对坐标向量进行Smooth L1 Loss计算得到回归损失值。其中，回归损失值的计算公式为：

式中，t_i是表示锚点在训练阶段预测的偏移量，t_i*是表示锚点在训练阶段实际的偏移量，R是smoothL₁函数。

式中，x＝t_i-t_i*。

采用分类损失值和回归损失值替换神经网络模型的原始分类损失值和原始回归损失值，得到第一神经网络模型。

D、采用样本验证集验证第一神经网络模型是否满足预设收敛条件。当第一神经网络模型不满足预设收敛条件时，将样本训练集和样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用样本训练集对神经网络模型进行训练，以调整初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至第一神经网络模型满足预设收敛条件。

其中，收敛条件主要通过损失实时曲线判断，训练过程中损失曲线是下降的，一般认为损失曲线基本与X轴平行可判定为满足收敛条件。重新划分为新的样本训练集和新的样本验证集具体操作为：将原始训练集图像和验证集图像混合重新划分创建的新训练集和验证集，并且对训练集进行扩充再次进行训练，训练集扩充的方法一般包括翻转、旋转、缩放、裁剪、移位和其他一些方法。

E、采用样本测试集对第一神经网络模型进行联合训练，得到目标鱼类检测模型。该过程具体包括：

采用第一神经网络模型提取样本测试集中各测试图像的第一特征图。第一特征图包括多层卷积特征图。

采用候选区域网络生成特定数量的建议窗口，并将特定数量的建议窗口映射到第一特征图中的每层卷积特征图上，得到第二特征图。即用独立训练的候选区域网络生成建议窗口，在本发明中每张图片优选生成300个建议窗口。

通过池化层将第二特征图生成固定尺寸的建议特征图。具体的，Faster-RCNN采用区域候选网络生成检测框，候选区域网络将图像特征映射作为输入，生成一系列带有相应分数的候选对象，这些候选对象经由兴趣池化层修正到同样尺寸，最后候选对象将被传递给完全连接层，生成目标物体的边界框。同时为了增强网络检测不同形状及尺寸目标的鲁棒性，可以在原始Faster-RCNN的基础上运用多通道全连接、形变卷积以及增加锚点数量等方法以保证网络提取到不同尺度下的特征。这部分主要就是Faster-RCNN算法的运行原理(如图5所示)。

采用Softmax Loss损失函数和Smooth L1 Loss损失函数对建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

具体的，本发明开发基于深度学习的卷积神经网络(CNN)鱼类检测和精细化识别分类算法，研发鱼类动态识别技术。经过人工提取大量复杂图像的特征值，形成标注数据集和训练算法，以提高算法的准确度和识别效率。

本发明将标注数据集中的80％数据组成训练集、10％数据组成验证集，10％数据组成测试集。训练集的主要作用就是训练参数，验证集基本是在每次训练完成后调整超参数，防止模型在训练集上过拟合，测试集的主要作用就是测试训练好的模型的准确率。训练集包括问题域中的所有形态数据，并在算法训练阶段调整神经网络的权重。验证集在训练过程中用于测试神经网络对训练集中未出现的数据的分类性能，根据神经网络在测试集的性能情况，调整神经网络结构。测试集采用测试集和训练集中没有出现过的特征值数据，用于在神经网络结构确定后更好地测试和衡量网络地性能。每一数据集的使用过程如图3所示。

其中，本发明所采用的样本训练集的确定过程为：

获取训练图片。训练图片含有标注信息。

采用选择性搜索算法提取每一张训练图片的感兴趣区域。

根据训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值。基于如图4所示的计算原理，IOU值通过以下公式确定：

式中，area₁表示感兴趣区域，area₂表示标注信息，union表示感兴趣区域和标注信息间的公共区域。

获取设定阈值。在本发明中设定阈值优选为0.5，但不限于此。

确定IOU值和设定阈值间的关系。

当IOU值大于设定阈值时，将训练图片作为正样本。

依据正样本的IOU值对正样本进行排序，并提取每一正样本中的前n个标注信息的区域图像，保存区域图像得到样本训练集。n小于等于300。在本发明中n优选为64。

针对每种过鱼目标，需要对算法进行万次以上的训练、测试和验证，才可保证动态鱼类的特征值匹配准确度。训练好的神经网络主要是用于对过鱼通道内过鱼目标的品种识别，过鱼目标是异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼、尖裸鲤四种，训练得到的是多目标识别神经网络，识别结果通过概率实现，置信区间为90％则认为是目标品种鱼类。

此外，对应于上述提供的过鱼通道目标鱼类实时识别方法，本发明还提供了一种过鱼通道目标鱼类实时识别系统，如图6所示，该系统包括：待检测图像获取模块1、目标鱼类检测模型获取模块2和检测模块3。

其中，待检测图像获取模块1用于获取过鱼通道的待检测图像。

目标鱼类检测模型获取模块2用于获取目标鱼类检测模型。目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型。

检测模块3用于采用目标鱼类检测模型确定待检测图像中包含目标品种鱼类。目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

作为本发明的一优选实施例，上述过鱼通道目标鱼类实时识别系统还包括：数据集获取模块、初始神经网络模型获取模块、第一神经网络模型确定模块、训练模块和联合训练模块。

其中，数据集获取模块用于获取样本训练集、样本测试集和样本验证集。

初始神经网络模型获取模块用于获取初始神经网络模型。

第一神经网络模型确定模块用于采用样本训练集对神经网络模型进行训练，以调整初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型。

训练模块用于采用样本验证集验证第一神经网络模型是否满足预设收敛条件。当第一神经网络模型不满足预设收敛条件时，将样本训练集和样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用样本训练集对神经网络模型进行训练，以调整初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至第一神经网络模型满足预设收敛条件。

联合训练模块用于采用样本测试集对第一神经网络模型进行联合训练，得到目标鱼类检测模型。

作为本发明的另一优选实施例，上述第一神经网络模型确定模块具体包括：向量确定单元、分类损失值确定单元、回归损失值确定单元和第一神经网络模型确定单元。

其中，向量确定单元用于采用样本训练集对神经网络模型进行训练，得到神经网络模型输出的Softmax向量和坐标向量。

分类损失值确定单元用于对Softmax向量进行交叉熵计算得到分类损失值。

回归损失值确定单元用于对坐标向量进行Smooth L1 Loss计算得到回归损失值。

第一神经网络模型确定单元用于采用分类损失值和回归损失值替换神经网络模型的原始分类损失值和原始回归损失值，得到第一神经网络模型。

作为本发明的又一优选实施例，上述联合训练模块具体包括：第一特征图确定单元、第二特征图确定单元、建议特征图确定单元和目标鱼类检测单元。

其中，第一特征图确定单元用于采用第一神经网络模型提取样本测试集中各测试图像的第一特征图。第一特征图包括多层卷积特征图。

第二特征图确定单元用于采用候选区域网络生成特定数量的建议窗口，并将特定数量的建议窗口映射到第一特征图中的每层卷积特征图上，得到第二特征图。

建议特征图确定单元用于通过池化层将第二特征图生成固定尺寸的建议特征图。

目标鱼类检测单元用于采用Softmax Loss损失函数和Smooth L1 Loss损失函数对建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

作为本发明的再一优选实施例，上述过鱼通道目标鱼类实时识别系统还包括样本训练集构建模块。样本训练集构建模块包括：训练图片获取单元、感兴趣区域提取模块、IOU值确定单元、设定阈值获取单元、关系确定单元、正样本确定单元和样本训练集构建单元。

其中，训练图片获取单元用于获取训练图片。训练图片含有标注信息。

感兴趣区域提取模块用于采用选择性搜索算法提取每一张训练图片的感兴趣区域。

IOU值确定单元用于根据训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值。

设定阈值获取单元用于获取设定阈值。

关系确定单元用于确定IOU值和设定阈值间的关系。

正样本确定单元用于当IOU值大于设定阈值时，将训练图片作为正样本。

样本训练集构建单元用于依据正样本的IOU值对正样本进行排序，并提取每一正样本中的前n个标注信息的区域图像，保存区域图像得到样本训练集。n小于等于300。

综上，本发明提供的过鱼通道目标鱼类实时识别方法和系统，开发基于Faster-RCNN网络的鱼类自动识别技术可以更为准确的识别目标鱼类，同时提高识别效率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种过鱼通道目标鱼类实时识别方法，其特征在于，包括：

获取过鱼通道的待检测图像；

获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

2.根据权利要求1所述的过鱼通道目标鱼类实时识别方法，其特征在于，所述获取目标鱼类检测模型，之前还包括：

获取样本训练集、样本测试集和样本验证集；

获取初始神经网络模型；

采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型。

3.根据权利要求2所述的过鱼通道目标鱼类实时识别方法，其特征在于，所述采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型，具体包括：

采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；

对所述Softmax向量进行交叉熵计算得到分类损失值；

对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；

采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型。

4.根据权利要求2所述的过鱼通道目标鱼类实时识别方法，其特征在于，所述采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型，具体包括：

采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

通过池化层将所述第二特征图生成固定尺寸的建议特征图；

采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

5.根据权利要求2所述的过鱼通道目标鱼类实时识别方法，其特征在于，所述样本训练集的确定过程为：

获取训练图片；所述训练图片含有标注信息；

采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

获取设定阈值；

确定所述IOU值和所述设定阈值间的关系；

当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300。

6.一种过鱼通道目标鱼类实时识别系统，其特征在于，包括：

待检测图像获取模块，用于获取过鱼通道的待检测图像；

目标鱼类检测模型获取模块，用于获取目标鱼类检测模型；所述目标鱼类检测模型为以图像为输入，以鱼类品种为输出的训练好的神经网络模型；

检测模块，用于采用所述目标鱼类检测模型确定所述待检测图像中包含目标品种鱼类；所述目标品种鱼类包括：异齿裂腹鱼、巨须裂腹鱼、拉萨裂腹鱼和尖裸鲤。

7.根据权利要求6所述的过鱼通道目标鱼类实时识别系统，其特征在于，还包括：

数据集获取模块，用于获取样本训练集、样本测试集和样本验证集；

初始神经网络模型获取模块，用于获取初始神经网络模型；

第一神经网络模型确定模块，用于采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型；

训练模块，用于采用所述样本验证集验证所述第一神经网络模型是否满足预设收敛条件；当所述第一神经网络模型不满足预设收敛条件时，将所述样本训练集和所述样本验证集进行混合后，重新划分为新的样本训练集和新的样本验证集，并返回“采用所述样本训练集对所述神经网络模型进行训练，以调整所述初始神经网络模型的分类损失值和回归损失值，得到第一神经网络模型”，直至所述第一神经网络模型满足预设收敛条件；

联合训练模块，用于采用所述样本测试集对所述第一神经网络模型进行联合训练，得到目标鱼类检测模型。

8.根据权利要求7所述的过鱼通道目标鱼类实时识别系统，其特征在于，所述第一神经网络模型确定模块具体包括：

向量确定单元，用于采用所述样本训练集对所述神经网络模型进行训练，得到所述神经网络模型输出的Softmax向量和坐标向量；

分类损失值确定单元，用于对所述Softmax向量进行交叉熵计算得到分类损失值；

回归损失值确定单元，用于对所述坐标向量进行Smooth L1 Loss计算得到回归损失值；

第一神经网络模型确定单元，用于采用所述分类损失值和所述回归损失值替换所述神经网络模型的原始分类损失值和原始回归损失值，得到所述第一神经网络模型。

9.根据权利要求7所述的过鱼通道目标鱼类实时识别系统，其特征在于，所述联合训练模块具体包括：

第一特征图确定单元，用于采用所述第一神经网络模型提取所述样本测试集中各测试图像的第一特征图；所述第一特征图包括多层卷积特征图；

第二特征图确定单元，用于采用候选区域网络生成特定数量的建议窗口，并将特定数量的所述建议窗口映射到所述第一特征图中的每层卷积特征图上，得到第二特征图；

建议特征图确定单元，用于通过池化层将所述第二特征图生成固定尺寸的建议特征图；

目标鱼类检测单元，用于采用Softmax Loss损失函数和Smooth L1 Loss损失函数对所述建议特征图进行分类概率和边框回归的联合训练后，得到目标鱼类检测模型。

10.根据权利要求7所述的过鱼通道目标鱼类实时识别系统，其特征在于，包括样本训练集构建模块；所述样本训练集构建模块包括：

训练图片获取单元，用于获取训练图片；所述训练图片含有标注信息；

感兴趣区域提取模块，用于采用选择性搜索算法提取每一张所述训练图片的感兴趣区域；

IOU值确定单元，用于根据所述训练图片的感兴趣区域和该训练图片中的标注信息确定IOU值；

设定阈值获取单元，用于获取设定阈值；

关系确定单元，用于确定所述IOU值和所述设定阈值间的关系；

正样本确定单元，用于当所述IOU值大于所述设定阈值时，将所述训练图片作为正样本；

样本训练集构建单元，用于依据所述正样本的IOU值对所述正样本进行排序，并提取每一所述正样本中的前n个标注信息的区域图像，保存所述区域图像得到样本训练集；n小于等于300。

Images