CN113204990B - 基于智能鱼竿的机器学习方法与装置 - Google Patents
基于智能鱼竿的机器学习方法与装置 Download PDFInfo
- Publication number
- CN113204990B CN113204990B CN202110304733.4A CN202110304733A CN113204990B CN 113204990 B CN113204990 B CN 113204990B CN 202110304733 A CN202110304733 A CN 202110304733A CN 113204990 B CN113204990 B CN 113204990B
- Authority
- CN
- China
- Prior art keywords
- fish
- image data
- data
- machine learning
- fishing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于智能鱼竿的机器学习方法、终端及计算机存储介质,通过建立不同钓鱼场景对应的鱼类数据库,增加鱼类数据库鲁棒性,基于扩充后的训练数据集,建立机器学习鱼类图像数据分类模型,钓鱼过程中选择钓鱼场景,获取水域场景信息,获取鱼类目标信息,对鱼类目标进行识别。以稳定、准确的获取水中鱼情图像,对水中鱼情图像进行分类识别,实现智能鱼竿能获取水中鱼情,还能判断水中鱼的种类的功能。
Description
技术领域
本发明属于户外运动领域,具体涉及基于鱼竿的水下鱼类图像采集装置,以及图像自动分类方法。
背景技术
目前。市面上的智能鱼竿可以通过鱼线或者浮漂上面的加速度传感器,获取鱼类咬钩时所产生的向下瞬间拉力,从而判断是否有鱼咬钩。由于其工作原理往往是基于加速度传感器所采集到的加速度值是否大于预先设定的阈值范围来判断是否有鱼咬钩,因此这类装置的灵敏度严重依赖预先设定的阈值、加速度传感器的精度,在实际使用中存在较大的误判率。此外,这类装置无法判断鱼钩上是鱼还是其他杂物,更加无法判断水中鱼的种类,使用体验感较差。
发明内容
鉴于上述现有技术的不足,本发明提出一种基于智能鱼竿的机器学习方法、电子设备及计算机存储介质,其目的在于稳定、准确的获取水中鱼情图像,再基于机器学习方法对水中鱼情图像进行分类识别,实现智能鱼竿能获取水中鱼情,还能判断水中鱼的种类的功能。
本发明详细技术方案如下:
1.一种基于智能鱼竿的机器学习方法,包括以下步骤:
步骤1:建立不同钓鱼场景对应的鱼类数据库;
步骤2:增加鱼类数据库鲁棒性,步骤包括;
步骤2.1:对池塘鱼类数据库A1和河流鱼类数据库B1中的图像数据集,按照一定的比例分别划分为池塘鱼类训练数据集ATr1、池塘鱼类测试数据集ATe1,以及河流鱼类训练数据集BTr1和河流鱼类测试数据集BTe1,;
步骤2.2:分别对池塘鱼类训练数据集ATr1和河流鱼类训练数据集BTe1进行数据扩充,包括对训练数据加入高斯噪声和椒盐噪声生成新的加噪声图像,通过调整训练数据的直方图均衡性来进行训练数据明暗度增加,生成新的不同明暗度图像,对训练数据进行旋转、镜像、平移、尺度变换等操作,生成新的不同角度图像,再将上述不同特性图像分别加入初始训练数据集ATr1和BTe1,生成扩充后的训练数据集ATr2和BTe2;
步骤3:基于扩充后的训练数据集,建立机器学习鱼类图像数据分类模型;
步骤4:钓鱼过程中选择钓鱼场景;
步骤5:获取水域场景信息;
步骤6:获取鱼类目标信息;
步骤7:对鱼类目标进行识别。
进一步的所述步骤1:建立不同钓鱼场景对应的鱼类数据库,包括:
步骤1.1:对池塘区域,根据水深不同采集水中有不同类型鱼类图像数据和水中没有鱼建立池塘鱼类数据库A1,然后执行步骤2.1;
步骤1.2:对河流区域,根据上下游不同采集不同类型鱼类建立河流鱼类数据库B1,然后执行步骤2.2。
进一步的所述步骤3:基于扩充后的训练数据集,建立机器学习鱼类图像数据分类模型,步骤包括;
步骤3.1:将所有鱼类训练数据和测试数据的图像矩阵统一尺寸,并对其进行归一化,然后设置训练数据集和测试数据集的批次大小值,以及样本迭代次数,将交叉熵函数设置为损失函数,并用随机梯度下降方法更新网络参数,设置学习率,将完全连接层的最终输出值设置为N;
步骤3.2:将扩充后的池塘鱼类训练数据集ATr2,分别放入TL-AlexNet、TL-Vgg16、TL-ResNet18三种机器学习模型上进行扩充数据训练,再利用池塘鱼类测试数据集ATe1对三种学习模型进行测试;
步骤3.3:将扩充后的河流鱼类训练数据集BTr2,分别放入TL-Vgg19、TL-ResNet34、TL-SqueezeNet三种机器学习模型上进行扩充数据训练,再利用河流鱼类测试数据集BTe1对三种学习模型进行测试;
步骤3.4:从步骤3.2和步骤3.3测试结果中分别获取学习模型综合评价结果R,分别确定池塘区域和河流区域综合评价结果最高的机器学习模型,首先,从测试结果中计算出分类的准确率ac、精度pr、召回率re、F1分数,其中,准确率ac计算公式为精度pr计算公式为召回率re计算公式为F1分数计算公式为变量tall表示所有测试数据的数量,变量titi表示第i类测试数据被正确判定为第i类的数量,当j≠i时,变量tjti表示第j类测试数据tj被错误判定为第i类的数量,当j=i时,变量tjti表示第j类测试数据tj被正确判定为第j类的数量,变量ti表示第i类测试数据的数量,然后综合上述四种评价指标来对三种学习模型进行评价,先对四种评价指标进行归一化处理,然后将准确率的权重设置为a1∈[0.1,0.15],精度的权重设置为a2∈[0.15,0.2],召回率的权重设置为a3∈[0.2,0.3],F1分数的权重设置为a4∈[0.3,0.4],综合评价结果R=a1·ac+a2·pr+a3·re+a4·F1。
进一步的所述步骤4:钓鱼过程中选择钓鱼场景,步骤包括;
步骤4.1:当选择钓鱼场景为池塘区域,分类方法选择池塘区域综合评价结果最高的机器学习模型RA;
步骤4.2:当选择钓鱼场景数据为河流区域,分类方法选择河流区域综合评价结果最高的机器学习模型RB。
进一步的所述步骤5:获取水域场景信息,步骤包括;
步骤5.1:在摄像头进入水中开始录制视频数据30秒后,采集5秒视频数据,并每间隔1秒从视频数据中采集一张图像数据Is,将采集到的每一张图像数据Is进行二值化处理,二值化的阈值th为图像数据Is中所有像素点的强度中值,从而得到二值化图像数据Igs,将相邻二值化图像数据进行矩阵相减操作,获得差异图像数据Igs′,计算差异图像数据Igs′中非零像素点数量占整个图像数据像素点数量的比率Ths′,其中,下标S表示图像数据采集的时间,下标S′表示图像数据由哪两个时间的数据相减得到;
步骤5.2:当Ths′∈[0,0.3],判断图像数据采集环境稳定,执行步骤5.3,当Ths′∈(0.3,0.7),判断图像数据采集环境未稳定,执行步骤5.1,当Ths′∈[0.7,1],判断图像数据采集环境复杂,提示需要重新选择钓鱼场景,执行步骤4;
步骤5.3:保存当前Ths′对应的被减图像数据Is为I′。
进一步的所述步骤6:获取鱼类目标信息,步骤包括;
步骤6.1:每间隔10秒从视频数据中采集一张图像数据Tt,将采集到的每一张图像数据Tt进行灰度化处理,从而得到灰度化图像数据Tgt,将保存的图像数据I′进行灰度化处理,从而得到灰度化图像数据I′g,下标t表示图像数据采集的时间;
步骤6.2:利用KL距离来计算得到图像数据Tgt与I′g的相似性值Kt,当Kt大于阈值Kh时,执行步骤6.1,当Kt小于阈值Kh时,执行步骤6.3;
步骤6.3:保存当前Kt对应的图像数据Tgt。
进一步的所述步骤7:对鱼类目标进行识别,步骤包括;
步骤7.1:将图像数据Tgt放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,若图像数据Tgt分类为水中没有鱼,则得到水中没有鱼接近的结论,执行步骤6,若图像数据Tgt分类为某种类型鱼类,则得到水中有鱼接近的结论,执行步骤7.2;
步骤7.2:每间隔1秒从视频数据中采集一张图像数据Rt,持续采集10秒图像数据,生成数据集Rall;
步骤7.3:将数据集Rall放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,对10个分类结果进行统计,分类结果相同的类型L的数量占总分类结果数量的比率Rh;
步骤7.4:当Rh∈[0,0.3],判断鱼类类型不确定,当Rh∈(0.3,0.6),判断鱼类类型可能是L,当Rh∈[0.6,1],判断鱼类类型为L。
一种电子设备,包括处理器、存储器和一个或多个程序,其中所述一个或多个程序存储在所述存储器中并且被配置为由所述一个或多个处理器执行如权利要求1-7之一的智能鱼竿的机器学习方法。
一种基于智能鱼竿的机器学习的计算机存储介质,用于存储计算机程序,以执行上述智能鱼竿的机器学习方法。
本发明与传统的智能鱼竿相比,创造性的提出了:
针对不同钓鱼场景建立了鱼类数据库,并对数据库进行了数据扩充,增加了鱼类数据库的鲁棒性。根据不同钓鱼场景,采用多种机器学习模型进行训练,并利用一种综合评价方法得到最优的机器学习模型。提出一种基于水域场景信息稳定性判断的鱼类目标信息获取方法,该方法通过在对水域场景信息稳定性判断基础上,通过机器学习模型对鱼类目标进行两个层级的判断,实现钓鱼过程中对水中鱼类的识别。
附图说明
图1为本发明基于智能鱼竿的机器学习方法的流程图。
具体实施方式
下面将结合本发明实施例及附图,对本申请进行清楚、完整地描述。
具体的该方法包括以下步骤:
步骤1:建立不同钓鱼场景对应的鱼类数据库,步骤包括:
步骤1.1:对池塘区域,根据水深不同采集水中有不同类型鱼类图像数据和水中没有鱼建立池塘鱼类数据库A1,然后执行步骤2.1;
步骤1.2:对河流区域,根据上下游不同采集不同类型鱼类建立河流鱼类数据库B1,然后执行步骤2.2:
步骤2:增加鱼类数据库鲁棒性,步骤包括;
步骤2.1:对池塘鱼类数据库A1和河流鱼类数据库B1中的图像数据集,按照6.5:3.5的比例分别划分为池塘鱼类训练数据集ATr1、池塘鱼类测试数据集ATe1,以及河流鱼类训练数据集BTr1和河流鱼类测试数据集BTe1,;
步骤2.2:分别对池塘鱼类训练数据集ATr1和河流鱼类训练数据集BTe1进行数据扩充,包括对训练数据加入高斯噪声和椒盐噪声生成新的加噪声图像,通过调整训练数据的直方图均衡性来进行训练数据明暗度增加,生成新的不同明暗度图像,对训练数据进行旋转、镜像、平移、尺度变换操作,生成新的不同角度图像,再将上述不同特性图像分别加入初始训练数据集ATr1和BTe1,生成扩充后的训练数据集ATr2和BTe2;
步骤3:基于扩充后的训练数据集,建立机器学习鱼类图像数据分类模型,步骤包括;
步骤3.1:将所有鱼类训练数据和测试数据的图像矩阵统一尺寸为224×224,并对其进行归一化,然后将训练数据集和测试数据集的批次大小值设置为20,将样本迭代次数设置为18,将交叉熵函数设置为损失函数,并用随机梯度下降方法更新网络参数,将学习率设置为0.001,将完全连接层的最终输出值设置为N,N∈[5,30];
步骤3.2:将扩充后的池塘鱼类训练数据集ATr2,分别放入TL-AlexNet、TL-Vgg16、TL-ResNet18三种机器学习模型上进行扩充数据训练,再利用池塘鱼类测试数据集ATe1对三种学习模型进行测试;
步骤3.3:将扩充后的河流鱼类训练数据集BTr2,分别放入TL-Vgg19、TL-ResNet34、TL-SqueezeNet三种机器学习模型上进行扩充数据训练,再利用河流鱼类测试数据集BTe1对三种学习模型进行测试;
步骤3.4:从步骤3.2和步骤3.3测试结果中分别获取学习模型综合评价结果R,分别确定池塘区域和河流区域综合评价结果最高的机器学习模型,首先,从测试结果中计算出分类的准确率ac、精度pr、召回率re、F1分数,其中,准确率ac计算公式为精度pr计算公式为召回率re计算公式为F1分数计算公式为变量tall表示所有测试数据的数量,变量titi表示第i类测试数据被正确判定为第i类的数量,当j≠i时,变量tjti表示第j类测试数据tj被错误判定为第i类的数量,当j=i时,变量tjti表示第j类测试数据tj被正确判定为第j类的数量,变量ti表示第i类测试数据的数量,然后综合上述四种评价指标来对三种学习模型进行评价,先对四种评价指标进行归一化处理,然后将准确率的权重设置为a1∈[0.1,0.15],精度的权重设置为a2∈[0.15,0.2],召回率的权重设置为a3∈[0.2,0.3],F1分数的权重设置为a4∈[0.3,0.4],综合评价结果R=a1·ac+a2·pr+a3·re+a4·F1;
步骤4:实际钓鱼过程中选择钓鱼场景,步骤包括;
步骤4.1:当选择钓鱼场景为池塘区域,分类方法选择池塘区域综合评价结果最高的机器学习模型RA;
步骤4.2:当选择钓鱼场景数据为河流区域,分类方法选择河流区域综合评价结果最高的机器学习模型RB;
步骤5:获取水域场景信息,步骤包括;
步骤5.1:在摄像头进入水中开始录制视频数据30秒后,采集5秒视频数据,并每间隔1秒从视频数据中采集一张图像数据Is,将采集到的每一张图像数据Is进行二值化处理,二值化的阈值th为图像数据Is中所有像素点的强度中值,从而得到二值化图像数据Igs,将相邻二值化图像数据进行矩阵相减操作,获得差异图像数据Igs′,计算差异图像数据Igs′中非零像素点数量占整个图像数据像素点数量的比率Ths′,其中,下标S表示图像数据采集的时间,下标S′表示图像数据由哪两个时间的数据相减得到;
步骤5.2:当Ths′∈[0,0.3],判断图像数据采集环境稳定,执行步骤5.3,当Ths′∈(0.3,0.7),判断图像数据采集环境未稳定,执行步骤5.1,当Ths′∈[0.7,1],判断图像数据采集环境复杂,提示需要重新选择钓鱼场景,执行步骤4;
步骤5.3:保存当前Ths′对应的被减图像数据Is为I′;
步骤6:获取鱼类目标信息,步骤包括;
步骤6.1:每间隔10秒从视频数据中采集一张图像数据Tt,将采集到的每一张图像数据Tt进行灰度化处理,从而得到灰度化图像数据Tgt,将保存的图像数据I′进行灰度化处理,从而得到灰度化图像数据I′g,下标t表示图像数据采集的时间;
步骤6.2:利用KL距离来计算得到图像数据Tgt与I′g的相似性值Kt,当Kt大于阈值Kh时,执行步骤6.1,当Kt小于阈值Kh时,执行步骤6.3;
步骤6.3:保存当前Kt对应的图像数据Tgt;
步骤7:对鱼类目标进行识别,步骤包括;
步骤7.1:将图像数据Tgt放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,若图像数据Tgt分类为水中没有鱼,则得到水中没有鱼接近的结论,执行步骤6,若图像数据Tgt分类为某种类型鱼类,则得到水中有鱼接近的结论,执行步骤7.2;
步骤7.2:每间隔1秒从视频数据中采集一张图像数据Rt,持续采集10秒图像数据,生成数据集Rall;
步骤7.3:将数据集Rall放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,对10个分类结果进行统计,分类结果相同的类型L的数量占总分类结果数量的比率Rh;
步骤7.4:当Rh∈[0,0.3],判断鱼类类型不确定,当Rh∈(0.3,0.6),判断鱼类类型可能是L,当Rh∈[0.6,1],判断鱼类类型为L。
以及一种电子设备,包括处理器、存储器和一个或多个程序,其中所述一个或多个程序存储在所述存储器中并且被配置为由所述一个或多个处理器执行如权利要求1-7之一的智能鱼竿的机器学习方法及一种基于智能鱼竿的机器学习的计算机存储介质,用于存储计算机程序,以执行上述智能鱼竿的机器学习方法。
本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。
Claims (7)
1.一种基于智能鱼竿的机器学习方法,包括以下步骤:
步骤1:建立不同钓鱼场景对应的鱼类数据库;
步骤2:增加鱼类数据库鲁棒性,步骤包括;
步骤2.1:对池塘鱼类数据库A1和河流鱼类数据库B1中的图像数据集,按照一定的比例分别划分为池塘鱼类训练数据集ATr1、池塘鱼类测试数据集ATe1,以及河流鱼类训练数据集BTr1和河流鱼类测试数据集BTe1;
步骤2.2:分别对池塘鱼类训练数据集ATr1和河流鱼类训练数据集BTe1进行数据扩充,对训练数据加入高斯噪声和椒盐噪声生成新的加噪声图像,通过调整训练数据的直方图均衡性来进行训练数据明暗度增加,生成新的不同明暗度图像,对训练数据进行旋转、镜像、平移、尺度变换操作,生成新的不同角度图像,再将上述不同特性图像分别加入初始训练数据集ATr1和BTe1,生成扩充后的训练数据集ATr2和BTe2;
步骤3:基于扩充后的训练数据集,建立机器学习鱼类图像数据分类模型;步骤包括:
步骤3.1:将所有鱼类训练数据和测试数据的图像矩阵统一尺寸,并对其进行归一化,然后设置训练数据集和测试数据集的批次大小值,以及样本迭代次数,将交叉熵函数设置为损失函数,并用随机梯度下降方法更新网络参数,设置学习率,将完全连接层的最终输出值设置为N;
步骤3.2:将扩充后的池塘鱼类训练数据集ATr2,分别放入TL-AlexNet、TL-Vgg16、TL-ResNet18三种机器学习模型上进行扩充数据训练,再利用池塘鱼类测试数据集ATe1对三种学习模型进行测试;
步骤3.3:将扩充后的河流鱼类训练数据集BTr2,分别放入TL-Vgg19、TL-ResNet34、TL-SqueezeNet三种机器学习模型上进行扩充数据训练,再利用河流鱼类测试数据集BTe1对三种学习模型进行测试;
步骤3.4:从步骤3.2和步骤3.3测试结果中分别获取学习模型综合评价结果R,分别确定池塘区域和河流区域综合评价结果最高的机器学习模型,首先,从测试结果中计算出分类的准确率ac、精度pr、召回率re、F1分数,其中,准确率ac计算公式为精度pr计算公式为召回率re计算公式为F1分数计算公式为变量tall表示所有测试数据的数量,变量titi表示第i类测试数据被正确判定为第i类的数量,当j≠i时,变量tjti表示第j类测试数据tj被错误判定为第i类的数量,当j=i时,变量tjti表示第j类测试数据tj被正确判定为第j类的数量,变量ti表示第i类测试数据的数量,然后综合上述四种评价指标来对三种学习模型进行评价,先对四种评价指标进行归一化处理,然后将准确率的权重设置为a1∈[0.1,0.15],精度的权重设置为a2∈[0.15,0.2],召回率的权重设置为a3∈[0.2,0.3],F1分数的权重设置为a4∈[0.3,0.4],综合评价结果R=a1·ac+a2·pr+a3·re+a4·F1;
步骤4:钓鱼过程中选择钓鱼场景;
步骤5:获取水域场景信息;
步骤6:获取鱼类目标信息;
步骤7:对鱼类目标进行识别,具体步骤包括:
步骤7.1:将步骤6获取鱼类目标信息后的结果即图像数据Tgt放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,若图像数据Tgt分类为水中没有鱼,则得到水中没有鱼接近的结论,执行步骤6,若图像数据Tgt分类为某种类型鱼类,则得到水中有鱼接近的结论,执行步骤7.2;
步骤7.2:每间隔1秒从视频数据中采集一张图像数据Rt,持续采集10秒图像数据,生成数据集Rall;
步骤7.3:将数据集Rall放入步骤4选择的钓鱼场景对应的机器学习模型中进行分类,对10个分类结果进行统计,分类结果相同的类型L的数量占总分类结果数量的比率Rh;
步骤7.4:当Rh∈[0,0.3],判断鱼类类型不确定,当Rh∈(0.3,0.6),判断鱼类类型可能是L,当Rh∈[0.6,1],判断鱼类类型为L。
2.如权利要求1所述的一种基于智能鱼竿的机器学习方法,其特征在于所述步骤1:建立不同钓鱼场景对应的鱼类数据库,包括:
步骤1.1:对池塘区域,根据水深不同采集水中有不同类型鱼类图像数据和水中没有鱼建立池塘鱼类数据库A1,然后执行步骤2.1;
步骤1.2:对河流区域,根据上下游不同采集不同类型鱼类建立河流鱼类数据库B1,然后执行步骤2.2。
3.如权利要求1所述的一种基于智能鱼竿的机器学习方法,其特征在于所述步骤4:钓鱼过程中选择钓鱼场景,步骤包括;
步骤4.1:当选择钓鱼场景为池塘区域,分类方法选择池塘区域综合评价结果最高的机器学习模型RA;
步骤4.2:当选择钓鱼场景数据为河流区域,分类方法选择河流区域综合评价结果最高的机器学习模型RB。
4.如权利要求1所述的一种基于智能鱼竿的机器学习方法,其特征在于所述步骤5:获取水域场景信息,步骤包括;
步骤5.1:在摄像头进入水中开始录制视频数据30秒后,采集5秒视频数据,并每间隔1秒从视频数据中采集一张图像数据Is,将采集到的每一张图像数据Is进行二值化处理,二值化的阈值th为图像数据Is中所有像素点的强度中值,从而得到二值化图像数据Igs,将相邻二值化图像数据进行矩阵相减操作,获得差异图像数据Igs′,计算差异图像数据Igs′中非零像素点数量占整个图像数据像素点数量的比率Ths′,其中,下标S表示图像数据采集的时间,下标S′表示图像数据由哪两个时间的数据相减得到;
步骤5.2:当Ths′∈[0,0.3],判断图像数据采集环境稳定,执行步骤5.3,当Ths′∈(0.3,0.7),判断图像数据采集环境未稳定,执行步骤5.1,当Ths′∈[0.7,1],判断图像数据采集环境复杂,提示需要重新选择钓鱼场景,执行步骤4;
步骤5.3:保存当前Ths′对应的被减图像数据Is为I′。
5.如权利要求4所述的一种基于智能鱼竿的机器学习方法,其特征在于所述步骤6:获取鱼类目标信息,步骤包括;
步骤6.1:每间隔10秒从视频数据中采集一张图像数据Tt,将采集到的每一张图像数据Tt进行灰度化处理,从而得到灰度化图像数据Tgt,将保存的图像数据I′进行灰度化处理,从而得到灰度化图像数据I′g,下标t表示图像数据采集的时间;
步骤6.2:利用KL距离来计算得到图像数据Tgt与I′g的相似性值Kt,当Kt大于阈值Kh时,执行步骤6.1,当Kt小于阈值Kh时,执行步骤6.3;
步骤6.3:保存当前Kt对应的图像数据Tgt。
6.一种电子设备,包括处理器、存储器和一个或多个程序,其中所述一个或多个程序存储在所述存储器中并且被配置为由所述一个或多个处理器执行如权利要求1-5之一的智能鱼竿的机器学习方法。
7.一种基于智能鱼竿的机器学习的计算机存储介质,用于存储计算机程序,以执行如权利要求1-5之一的智能鱼竿的机器学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304733.4A CN113204990B (zh) | 2021-03-22 | 2021-03-22 | 基于智能鱼竿的机器学习方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304733.4A CN113204990B (zh) | 2021-03-22 | 2021-03-22 | 基于智能鱼竿的机器学习方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204990A CN113204990A (zh) | 2021-08-03 |
CN113204990B true CN113204990B (zh) | 2022-01-14 |
Family
ID=77025636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304733.4A Active CN113204990B (zh) | 2021-03-22 | 2021-03-22 | 基于智能鱼竿的机器学习方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204990B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763362B (zh) * | 2021-09-09 | 2022-05-31 | 无锡联友塑业有限公司 | 水下图像智能检测处理系统 |
CN115527100B (zh) * | 2022-10-09 | 2023-05-23 | 广州佳禾科技股份有限公司 | 用于关联数据库的标识分析系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615986A (zh) * | 2015-01-30 | 2015-05-13 | 中国科学院深圳先进技术研究院 | 利用多检测器对场景变化的视频图像进行行人检测的方法 |
WO2020023467A1 (en) * | 2018-07-24 | 2020-01-30 | Aquabyte, Inc. | Unique identification of freely swimming fish in an aquaculture environment |
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN111814913A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市欢太科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN112056282A (zh) * | 2020-10-20 | 2020-12-11 | 东南大学 | 一种智能鱼竿及其使用方法 |
CN112418124A (zh) * | 2020-11-30 | 2021-02-26 | 国电大渡河枕头坝发电有限公司 | 基于视频图像的鱼类智能监测方法 |
CN112488218A (zh) * | 2020-12-04 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分类方法、图像分类模型的训练方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
CN110942045B (zh) * | 2019-12-05 | 2023-05-26 | 安徽信息工程学院 | 一种基于机器视觉的智能鱼缸投食系统 |
CN111310622A (zh) * | 2020-02-05 | 2020-06-19 | 西北工业大学 | 一种面向水下机器人智能作业的鱼群目标识别方法 |
-
2021
- 2021-03-22 CN CN202110304733.4A patent/CN113204990B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615986A (zh) * | 2015-01-30 | 2015-05-13 | 中国科学院深圳先进技术研究院 | 利用多检测器对场景变化的视频图像进行行人检测的方法 |
WO2020023467A1 (en) * | 2018-07-24 | 2020-01-30 | Aquabyte, Inc. | Unique identification of freely swimming fish in an aquaculture environment |
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN111814913A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市欢太科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN112056282A (zh) * | 2020-10-20 | 2020-12-11 | 东南大学 | 一种智能鱼竿及其使用方法 |
CN112418124A (zh) * | 2020-11-30 | 2021-02-26 | 国电大渡河枕头坝发电有限公司 | 基于视频图像的鱼类智能监测方法 |
CN112488218A (zh) * | 2020-12-04 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分类方法、图像分类模型的训练方法和装置 |
Non-Patent Citations (4)
Title |
---|
Automatic fishing net detection and Recognition based on optical gated viewing for underwater obstacle avoidance;Xiaoquan Liu 等;《Optical Engineering》;20170804;第56卷(第8期);第1-7页 * |
WildFish:A large Benchmark for Fish Recognition in the wild;Peiqin Zhuang 等;《MM"18:Proceedings of the 26th ACM International Conference on Multimedia》;20181015;第1301-1309页 * |
基于迁移学习的复杂场景海洋鱼类识别方法;李均鹏 等;《计算机应用与软件》;20190930;第36卷(第9期);第168-174页 * |
基于迁移学习的水产动物图像识别方法;王柯力 等;《计算机应用》;20180510;第38卷(第5期);第1304-1308页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113204990A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145830B (zh) | 一种智能水尺识别方法 | |
Li et al. | SAR image change detection using PCANet guided by saliency detection | |
CN112668594B (zh) | 一种基于对抗性域适应的无监督图像目标检测方法 | |
CN101814149B (zh) | 一种基于在线学习的自适应级联分类器训练方法 | |
CN113204990B (zh) | 基于智能鱼竿的机器学习方法与装置 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN108257151B (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN109961097B (zh) | 一种嵌入式场景下基于边缘计算的图像分类调度方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN110675374B (zh) | 一种基于生成对抗网络的二维图像污水流量检测方法 | |
CN110765865A (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN112949408A (zh) | 一种过鱼通道目标鱼类实时识别方法和系统 | |
CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
CN107103608A (zh) | 一种基于区域候选样本选择的显著性检测方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN114399799A (zh) | 一种基于YOLOv5网络的口罩佩戴检测方法 | |
CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
CN108765448A (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
WO2007004868A1 (en) | Method and apparatus for image characterization | |
CN109034033B (zh) | 一种基于改进vgg16卷积网络的排烟视频检测方法 | |
CN114037737B (zh) | 一种基于神经网络的近岸海底鱼类检测及跟踪统计方法 | |
CN116385717A (zh) | 叶面病害识别方法、装置、电子设备、存储介质及产品 | |
CN116092005A (zh) | 鱼的识别方法、系统、计算机设备及存储介质 |
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 |