CN114711181A - 一种嵌入式草鱼病灶自动分流装置及检测方法 - Google Patents

一种嵌入式草鱼病灶自动分流装置及检测方法 Download PDF

Info

Publication number
CN114711181A
CN114711181A CN202210258336.2A CN202210258336A CN114711181A CN 114711181 A CN114711181 A CN 114711181A CN 202210258336 A CN202210258336 A CN 202210258336A CN 114711181 A CN114711181 A CN 114711181A
Authority
CN
China
Prior art keywords
shunting
grass carp
focus
main control
training
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
CN202210258336.2A
Other languages
English (en)
Other versions
CN114711181B (zh
Inventor
冯琳
李焦
周小秋
刘涛
姜维丹
吴培
金小琬
任红梅
弓欣瑶
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.)
Sichuan Agricultural University
Original Assignee
Sichuan 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 Sichuan Agricultural University filed Critical Sichuan Agricultural University
Priority to CN202210258336.2A priority Critical patent/CN114711181B/zh
Publication of CN114711181A publication Critical patent/CN114711181A/zh
Application granted granted Critical
Publication of CN114711181B publication Critical patent/CN114711181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K61/00—Culture of aquatic animals
    • A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
    • A01K61/95—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination specially adapted for fish
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Zoology (AREA)
  • Environmental Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种嵌入式草鱼病灶自动分流装置及检测方法，通过构建分流装置、主控装置、采集装置、电源装置；其中，主控装置搭载基于ASSP的神经网络模型，并分别与分流装置、采集装置通信连接，用于接收采集装置采集的待检测草鱼的原始图像信息，并将原始图像信息传递给主控装置中基于ASSP的神经网络模型进行检测，再根据检测结果产生控制信号，并将控制信号传递给分流装置，对待检测草鱼进行分流；本发明提供了一种可实现草鱼相关检测后自动分流的全程自动化装置及检测方法，具有草鱼病灶智能分析功能及动态调节自动分流功能，解决特别是已投入生产的大规模草鱼养殖，降低人工成本，实现草鱼养殖自动化。

Description

一种嵌入式草鱼病灶自动分流装置及检测方法
技术领域
本发明涉及鱼类智慧管理技术领域，具体涉及一种嵌入式草鱼病灶自动分流装置及检测方法。
背景技术
随着草鱼养殖规模的不断扩大，草鱼养殖密度也逐渐增高，草鱼的管理难度也逐渐上升，因此暴露出了一些问题。其中最显著的是针对草鱼的疾病检测，仍采取传统的侵入式抽样检测。侵入式抽样检测需要将草鱼捕获进行检测，由于检测会极大影响草鱼的生活状况，并且抽样样本量小，导致草鱼鱼病检测准确度不高、不及时，会导致草鱼发病率升高，草鱼苗种存活率降低，每年因草鱼鱼病而产生的经济损失也逐年升高；并且实现对草鱼成熟与否的及时检测和分隔，采用不同养殖方法也很重要，但是目前缺乏一种实行智能检测、行为综合评估及养殖技术有效结合的智能自动分流装置。
发明内容
针对现有技术中的上述不足，本发明提供了一种嵌入式草鱼病灶自动分流装置及检测方法，提供一种可实现草鱼相关检测后自动分流的全程自动化系统及检测方法，提供草鱼病灶智能分析功能、动态调节自动分流功能，解决特别是已投入生产的大规模草鱼养殖，降低人工成本，实现草鱼养殖自动化。
为了达到上述发明目的，本发明采用的技术方案为：
一方面，一种嵌入式草鱼病灶自动分流装置，包括分流装置、主控装置、采集装置、电源装置；
电源装置分别与分流装置、主控装置、采集装置电性连接，用于分别为分流装置、主控装置、采集装置供电；
主控装置分别与分流装置、采集装置通信连接，用于接收采集装置采集的待检测草鱼的原始图像信息，并对原始图像信息进行检测，再根据检测结果产生控制信号，并将控制信号传递给分流装置；
分流装置，用于接收主控装置的控制信号，并根据控制信号对待检测草鱼进行分流。
优选地，分流装置包括：
第一单向伯努利通道、第二单向伯努利通道、第一固定块、第二固定块、第一腔室、第二腔室、等待检测门；
其中，第一腔室与第二腔室通过等待检测门连接组合形成一个方形空腔；
第一单向伯努利通道通过第一固定块固定，并构成方形空腔的顶端；
第二单向伯努利通道通过第二固定块固定，并与第一单向伯努利通道旋转对称设置，构成方形空腔的底端。
优选地，等待检测门包括第一分流片、伸缩杆、第二分流片、继电器；
其中，伸缩杆分别与第一分流片、第二分流片的两端连接；
继电器与伸缩杆电连接。
优选地，主控装置及采集装置均设置在第一腔室内部；其中主控装置与继电器通信连接。
另一方面，一种嵌入式草鱼病灶自动分流装置的检测方法，包括以下步骤：
S1、通过采集装置采集待检测草鱼的原始图像信息，并将原始图像信息传递给主控装置；
S2、利用主控装置对传递的图像信息进行处理判断，得到病灶类别特征，并根据病灶类别特征得到判断信号，将判断信号传递给分流装置；
S3、利用分流装置根据判断信号对待检测草鱼进行分流。
优选地，步骤S2具体包括以下分步骤：
S21、利用线性插值法对原始图像信息进行数据扩充，得到训练数据集，其中训练数据集表示为：
Figure BDA0003549262220000035
Figure BDA0003549262220000031
其中，xi，xj为原始图像信息中的训练样本，yi为xi对应的标签，yj分别为xj对应的标签，λ为混合系数，
Figure BDA0003549262220000032
为混合后的训练样本，
Figure BDA0003549262220000033
为混合后的训练样本
Figure BDA0003549262220000034
对应的标签；
S22、对训练数据集进行自适应图片缩放，得到预处理后的训练数据集；
S23、构建基于ASSP的神经网络模型，并利用基于ASSP的神经网络模型提取预处理后的训练数据集的病灶类别特征；
S24、利用病灶类别特征计算Softmax值，并根据Softmax值进行分类，得到分类结果；
S25、利用交叉熵损失函数对神经网络模型进行训练，得到优化后的基于ASSP的神经网络模型，进一步得到优化后的分类结果，并将优化后的分类结果转换为判断信号，传递给分流装置。
优选地，步骤S22具体包括以下分步骤：
S221、对训练数据集中训练图片进行缩放，得到缩放后的训练数据集，其中缩放后的训练图片表示为：
x1*δ＝x3
y1*δ＝y3
其中，δ为缩放系数，x1为第1个原始的训练图片长度，y1为第1个原始的训练图片的宽度，x3为第1个缩放后的训练图片的长度，y3为第1个缩放后的训练图片的宽度；
S222、对缩放后的训练数据集进行黑边填充，得到预处理后的训练数据集。
优选地，步骤S23具体包括以下分步骤：
S231、利用膨胀卷积层替代残差模块的普通卷积层，得到改进残差模块，并利用不少于一个的改进残差模块构建神经网络模型；
S232、利用神经网络模型根据预处理后的训练数据集提取初始病灶特征；
S233、利用不少于一个的膨胀卷积层构建并行的ASSP结构，同时利用ASSP结构对初始病灶特征进行双线性插值；并结合ASSP结构与神经网络模型组成基于ASSP的神经网络模型；
S234、对各分支结构的双线性插值进行融合，并利用卷积层根据融合结果得到病灶类别特征。
优选地，步骤S232包括以下分步骤：
A1、对预处理后的训练数据集中图像进行切割，得到不相交的图像块；
A2、将图像块按照像素的RGB通道展开，得到各图像块的特征维度，并将各特征维度转换为三维，得到三维图像块；
A3、利用神经网络模型中改进残差模块对三维图像块进行特征提取，得到初始病灶特征。
优选地，步骤S233具体包括以下分步骤：
B1、利用不少于一个的膨胀卷积层构建并行ASSP结构；
B2、利用ASSP结构中各分支结构对初始病灶特征进行双线性插值，其中双线性插值的计算式表示为：
Figure BDA0003549262220000051
其中，点Q11的坐标为(x1,y1)，点Q12的坐标为(x1,y2)，点Q21的坐标为(x2,y1)，点Q22的坐标为(x2,y2)，f(x,y)为双线性插值计算后P(x,y)的坐标值。
本发明具有以下有益效果：
通过构建分流装置、主控装置、采集装置、电源装置；电源装置分别与分流装置、主控装置、采集装置电性连接，用于分别为分流装置、主控装置、采集装置供电；主控装置分别与分流装置、采集装置通信连接，用于接收采集装置采集的待检测草鱼的原始图像信息，并将原始图像信息传递给主控装置进行检测，再根据检测结果产生控制信号，并将控制信号传递给分流装置；分流装置，用于接收主控装置的控制信号，并根据控制信号对待检测草鱼进行分流；本发明通过分流装置、搭载神经网络的主控装置、采集装置及电源装置，提供了一种可实现草鱼相关检测后自动分流的全程自动化装置及检测方法，包括草鱼病灶智能分析功能、动态调节自动分流功能，解决特别是已投入生产的大规模草鱼养殖，降低人工成本，实现草鱼养殖自动化。
附图说明
图1为本发明提供的一种嵌入式草鱼病灶自动分流装置的系统结构图；
图2为本发明中分流装置的系统结构图；
图3为本发明提供的一种嵌入式草鱼病灶自动分流装置的检测方法的步骤流程图；
图4为本发明中步骤S2的分步骤流程图；
图5为本发明中步骤S22的分步骤流程图；
图6为本发明中步骤S23的分步骤流程图；
图7为本发明中神经网络的系统结构图；
图8为本发明中步骤S232的分步骤流程图；
图9为本发明的ASPP结构的系统结构图；
图10为本发明中步骤S233的分步骤流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供一种嵌入式草鱼病灶自动分流装置，包括分流装置、主控装置、采集装置、电源装置；
电源装置分别与分流装置、主控装置、采集装置电性连接，用于分别为分流装置、主控装置、采集装置供电；
主控装置分别与分流装置、采集装置通信连接，用于接收采集装置采集的待检测草鱼的原始图像信息，并对原始图像信息进行检测，再根据检测结果产生控制信号，并将控制信号传递给分流装置；
分流装置，用于接收主控装置的控制信号，并根据控制信号对待检测草鱼进行分流。
如图2所示，分流装置包括：
第一单向伯努利通道1、第二单向伯努利通道2、第一固定块3、第二固定块4、第一腔室5、第二腔室6、等待检测门；
其中，第一腔室5与第二腔室6通过等待检测门连接组合形成一个方形空腔；
第一单向伯努利通道1通过第一固定块3固定，并构成方形空腔的顶端；
第二单向伯努利通道2通过第二固定块4固定，并与第一单向伯努利通道1旋转对称设置，构成方形空腔的底端。
实际中，第一单向伯努利通道1、第二单向伯努利通道2均为玻璃管，其横截面直径大于草鱼的纵向高度，保证草鱼能够正常通过；且分别与第一固定块3、第二固定块4连接处通过固定橡胶圈进行密封；
第二腔室6中内侧为分离通道等待室，外侧则与第二单向伯努利通道2相连接，并且二者之间不设置任何的阻挡装置，第二单向伯努利通道2连接两处出口，第一处直接通向正常养殖缸；第二处与治愈缸相连接。
优选地，等待检测门包括第一分流片7、伸缩杆、第二分流片8、继电器；
其中，伸缩杆分别与第一分流片7、第二分流片8的两端连接；
继电器与伸缩杆电连接。
优选地，第一分流片7、第二分流片8的两端分别与能够上下拉伸的伸缩杆固定连接，并保持相互平行。
优选地，主控装置及采集装置均设置在第一腔室5内部；其中主控装置与继电器通信连接。
实际中，采集装置与主控装置的外侧通过透明保护罩安装在主控装置及采集装置均设置在第一腔室5内部，其中采集装置采用nano摄像头。
实际中，本装置的工作原理为：
当要对养殖缸中的草鱼进行病灶识别时，第一单向伯努利通道1的大小调整为仅限单只草鱼通过，进入第一腔室5，通过采集装置采集待检测草鱼的原始图像信息，并记录草鱼养殖生长信息数据源；用户可以选定某一需要识别的草鱼病症作为检测标准，并预设病症识别值；当单只草鱼成功进入第一单向伯努利通道1，利用采集装置：nano摄像头检测到鱼体，采集鱼身相关特征数据，并传入主控装置中利用基于ASSP的神经网络模型进行分析，得到判断信号，并将判断信号传至分流装置，触发分流装置运作；
将输出的Softmax值与预设病症识别值进行比较，如果满足预设病症识别值，则当前待检测的草鱼判为异常，则主控装置将传输控制信号给分流装置，让病灶草鱼通过等待检测门的转动，离开第一腔室5，进入第二腔室6，其中第一分流片7通过伸缩杆水平移动到第二腔室6，第二分流片8同时通过伸缩杆旋转移动到分流装置一侧，保证足够的空间以容纳病灶草鱼；
等待检测门中第一分流片7、第二分流片8通过主控装置传递的控制信号控制继电器运转，进一步结合伸缩杆完成第一分流片7、第二分流片8的转动。
病灶草鱼进入第二腔室6后，会通过等待检测门中第二分流片8的缓冲进入第二单向伯努利通道2中，沿着平行直线型的通道进入治愈缸，接收相关的治疗；
若待检测草鱼为正常草鱼，则直接通过与第一腔室5所对应的直线型的通道口，被遣回养殖缸内。
本发明实施例中，用于检测过程的第一腔室5长度足够长，以满足病灶草鱼从开始检测到得到检测结果的时间内，待检测草鱼还未游出第一腔室5，并留有足够的距离使第一分流片7推入第二腔室6中。
另一方面，如图3所示，一种嵌入式草鱼病灶自动分流装置的检测方法，包括以下步骤：
S1、通过采集装置采集待检测草鱼的原始图像信息，并将原始图像信息传递给主控装置；
S2、利用主控装置对传递的图像信息进行处理判断，得到病灶类别特征，并根据病灶类别特征得到判断信号，将判断信号传递给分流装置；
优选地，如图4所示，步骤S2具体包括以下分步骤：
S21、利用线性插值法对原始图像信息进行数据扩充，得到训练数据集，其中训练数据集表示为：
Figure BDA0003549262220000091
Figure BDA0003549262220000092
其中，xi，xj为原始图像信息中的训练样本，yi为xi对应的标签，yj分别为xj对应的标签，λ为混合系数，满足λ～Beta(α,β)，Beta(.)为Beta分布，参数α,β值均为0.5，
Figure BDA0003549262220000093
为混合后的训练样本，
Figure BDA0003549262220000094
为混合后的训练样本
Figure BDA0003549262220000095
对应的标签；
实际中，正常鱼类的图片居多，鱼类异常染病的数据较少且获取困难。所以我们对鱼类数据集进行数据增强，即对原有数据集进行扩充。本发明实施例中选择在将数据集送入语义分割之前进行数据增强；
本发明实施例中，采用HSV颜色空间增强，颜色的参数分别是：色调(H)，饱和度(S)，亮度(V)；首先对原始图像信息进行了区域划分，保证各区域大小相等，之后在每一区域中随机选择一个像素点，用该像素点代替该区域中的所有像素点，以完成马赛克区域处理，经过这种处理后的图片进行训练，更能增强模型对较低清晰度下图像的检测能力，从而提高模型鲁棒性；为了使图像对检测目标有更全面、清晰的描述，从而获得更好的检测效果，本发明实施例将多幅像素位宽一致且配准完成的图像进行融合，对图像进行混类增强，将不同类之间的图像进行混合，以线性插值的方式来构建新的训练样本和标签，从而扩充训练数据集。
S22、对训练数据集进行自适应图片缩放，得到预处理后的训练数据集；
优选地，如图5所示，步骤S22具体包括以下分步骤：
S221、对训练数据集中训练图片进行缩放，得到缩放后的训练数据集，其中缩放后的训练图片表示为：
x1*δ＝x3
y1*δ＝y3
其中，δ为缩放系数，满足δ＝min(x2/x1,y2/y1)，其中(x2，x1)为原始图片的尺寸，(x2，y1)为原始缩放图片的尺寸，x1为第1个原始的训练图片长度，y1为第1个原始的训练图片的宽度，x3为第1个缩放后的训练图片的长度，y3为第1个缩放后的训练图片的宽度；
S222、对缩放后的训练数据集进行黑边填充，得到预处理后的训练数据集。
实际中，利用缩放后的训练数据集中缩放图像的尺寸结合预设缩放期望图像的尺寸，得到需要填充的原始黑边宽度，并利用原始黑边宽度进行不少于一次的下采样操作，得到期望黑边宽度，并将结合期望黑边宽度将黑边均匀填充到缩放后的训练数据集，得到预处理后的训练数据集；
预处理后的训练数据集中图像尺寸表示为：(x3，y3+m3)
其中，m3为期望黑边宽度，满足：
Figure BDA0003549262220000101
y2为第2个原始的训练图片的宽度，y3为第3个原始的训练图片的宽度，k为下采样参数。
S23、构建基于ASSP的神经网络模型，并利用基于ASSP的神经网络模型提取预处理后的训练数据集的病灶类别特征；
优选地，如图6所示，步骤S23具体包括以下分步骤：
S231、利用膨胀卷积层替代代残差模块的普通卷积层，得到改进残差模块，并利用不少于一个的改进残差模块构建神经网络模型；
实际中，常规残差模块：2个标准3*3的普通卷积层堆叠而成，其中第二层普通卷积层的输出层结合输出层的特征作为最终输出；改进残差模块在常规残差模块的基础上，将标准的普通卷积层替换为膨胀卷积层；
本发明实施例的神经网络模型如图7所示，包含4个常规残差模块及4个改进残差模块，其中Block1，Block2，Block3，Block4是原始ResNet网络中的层的残差结构，Block4中将第一个3×3卷积层以及捷径分支上的1×1卷积层步距stride由2改成了1，即不再进行下采样；Block5，Block6和Block7是额外新增的层结构，他们的结构和Block4是一模一样的，即将Block4重复堆叠了3次。
实际中，在训练时output_stride修改为16(即特征层相对输入图片的下采样率)，但验证时使用的output_stride＝8。因为output_stride＝16时最终得到的特征层H和W会更小，这意味着可以设置更大的batch_size并且能够加快训练速度。但特征层H和W变小会导致特征层丢失细节信息，所以在验证时采用的output_stride＝8。另外图中标注的膨胀系数并不是膨胀卷积真正采用的膨胀系数。真正采用的膨胀系数应该是图中的rate乘上Multi-Grid参数，假设膨胀比例为ρ，Multi-Grid参数为(σ1，σ2，σ3)，那么真正的膨胀系数ρtrue的计算方式如下：
ρtrue＝ρ×(σ1，σ2，σ3)。
S232、利用神经网络模型根据预处理后的训练数据集提取初始病灶特征；
优选地，如图8所示，步骤S232包括以下分步骤：
A1、对预处理后的训练数据集中图像进行切割，得到不相交的图像块；
A2、将图像块按照像素的RGB通道展开，得到各图像块的特征维度，并将各特征维度转换为三维，得到三维图像块；
A3、利用神经网络模型中改进残差模块对三维图像块进行特征提取，得到初始病灶特征。
S233、利用不少于一个的膨胀卷积层构建并行的ASSP结构，同时利用ASSP结构对初始病灶特征进行双线性插值；并结合ASSP结构与神经网络模型组成基于ASSP的神经网络模型；
如图9所示，ASPP结构其实就是通过四个并行的膨胀卷积层，每个分支上的膨胀卷积层所采用的膨胀系数不同，接着通过add相加的方式融合四个分支上的输出，本发明实施例中，并行ASSP结构有5个并行分支，分别是一个卷积核大小为1×1的卷积层，三个卷积核大小为3×3的膨胀卷积层，其中，膨胀卷积层与普通卷积层的区别在于：在普通卷积层的默认的膨胀系数为1，而当膨胀系数大于1时便称为膨胀卷积层，此时卷积核距离的差值等于膨胀系数；以及一个全局平均池化层，并跟有一个1×1的卷积层。
优选地，如图10所示，步骤S233具体包括以下分步骤：
B1、利用不少于一个的膨胀卷积层构建并行ASSP结构；
B2、利用ASSP结构中各分支结构对初始病灶特征进行双线性插值，其中双线性插值的计算式表示为：
Figure BDA0003549262220000131
其中，点Q11的坐标为(x1,y1)，点Q12的坐标为(x1,y2)，点Q21的坐标为(x2,y1)，点Q22的坐标为(x2,y2)，f(x,y)为双线性插值计算后P(x,y)的坐标值。
实际中，双线性插值的具体步骤为，先在x方向求2次单线性插值，获得R1(x,y1)、R2(x,y2)两个临时点，再在y方向计算1次单线性插值得出P(x,y)。假设点Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)、Q22(x2,y2)。
步骤1：x方向单线性插值：
Figure BDA0003549262220000132
Figure BDA0003549262220000133
步骤2：y方向单线性插值：
Figure BDA0003549262220000134
步骤3：将第一步结果带入步骤2的计算结果，得到双线性插值。
S234、对各分支结构的双线性插值进行融合，并利用卷积层根据融合结果得到病灶类别特征。
实际中，如图9所示，通过Concat的方式将这5个分支的输出进行拼接(沿着channels方向)，最后在通过一个1×1的卷积层进一步融合信息。
S24、利用病灶类别特征计算Softmax值，并根据Softmax值进行分类，得到分类结果；
实际中，利用网络中训练得到的病灶类别特征作为Softmax分类器的输入，经过函数映射得出区域的类别；其病灶类别特征的Softmax值即为：像素的指数与所有像素指数和的比值，把将病灶类别特征内每个数都取指数(ei)后，再算每一个元素占取值数之后数组内所有数之和(∑jej)的百分比，即为Softmax函数的输出(Si)，计算式表示为：
Figure BDA0003549262220000141
实际中，通过计算第i类的最大Softmax函数值，就可以得出该个像素点是属于哪一类，从而根据预设的指标结果分类，确定该块区域是否属于病灶，从而利用分流装置进行分流。
S25、利用交叉熵损失函数对神经网络模型进行训练，得到优化后的基于ASSP的神经网络模型，进一步得到优化后的分类结果，并将优化后的分类结果转换为判断信号，传递给分流装置。
实际中，交叉熵损失函数表示为：FocalLoss(pt)＝-αt(1-pt)γlog(pt)，其中，FocalLoss(pt)为不同类别的分类概率；γ是一个大于0的值，称为调制系数，可通过减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本；αt是一个[0，1]间的常数，通过设定常数αt的值控制正负样本对总的模型loss的共享权重，取较小的值可以降低负样本的权重；γ和αt都是固定值，不参与训练；
本发明实施例中引入了精度评价指标(mIOU)对分类结果进行评估，从而得到更精确地优化后的分类结果；精度评价指标(mIOU)：计算真实值和预测值两个集合的交集和并集之比；其中预设FN为假阴性，说明预测为阴性，但是标签结果为阳性；设FP为假阳性，实际是负例；设TP为预测是阳性，实际也是正例，说明预测结果正确；设pij表示真实值为i，被预测为j的数量，k+1是类别个数(包含空类)；设pii是真正的数量；设pij、pji则分别表示假正和假负；精度评价指标(mIOU)计算公式如下:
Figure BDA0003549262220000151
S3、利用分流装置根据判断信号对待检测草鱼进行分流。
本发明实施例中提供的一种嵌入式草鱼病灶自动分流装置的检测方法具有上述一种嵌入式草鱼病灶自动分流装置的全部有益效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种嵌入式草鱼病灶自动分流装置，其特征在于，包括分流装置、主控装置、采集装置、电源装置；
电源装置分别与分流装置、主控装置、采集装置电性连接，用于分别为分流装置、主控装置、采集装置供电；
主控装置分别与分流装置、采集装置通信连接，用于接收采集装置采集的待检测草鱼的原始图像信息，并对原始图像信息进行检测，再根据检测结果产生控制信号，并将控制信号传递给分流装置；
分流装置，用于接收主控装置的控制信号，并根据控制信号对待检测草鱼进行分流。
2.根据权利要求1所述的嵌入式草鱼病灶自动分流装置，其特征在于，分流装置包括：
第一单向伯努利通道(1)、第二单向伯努利通道(2)、第一固定块(3)、第二固定块(4)、第一腔室(5)、第二腔室(6)、等待检测门；
其中，第一腔室(5)与第二腔室(6)通过等待检测门连接组合形成一个方形空腔；
第一单向伯努利通道(1)通过第一固定块(3)固定，并构成方形空腔的顶端；
第二单向伯努利通道(2)通过第二固定块(4)固定，并与第一单向伯努利通道(1)旋转对称设置，构成方形空腔的底端。
3.根据权利要求2所述的嵌入式草鱼病灶自动分流装置，其特征在于，等待检测门包括第一分流片(7)、伸缩杆、第二分流片(8)、继电器；
其中，伸缩杆分别与第一分流片(7)、第二分流片(8)的两端连接；
继电器与伸缩杆电连接。
4.根据权利要求3所述的嵌入式草鱼病灶自动分流装置，其特征在于，主控装置及采集装置均设置在第一腔室(5)内部；其中主控装置与继电器通信连接。
5.一种嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，包括以下步骤：
S1、通过采集装置采集待检测草鱼的原始图像信息，并将原始图像信息传递给主控装置；
S2、利用主控装置对传递的图像信息进行处理判断，得到病灶类别特征，并根据病灶类别特征得到判断信号，将判断信号传递给分流装置；
S3、利用分流装置根据判断信号对待检测草鱼进行分流。
6.根据权利要求5所述的嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，步骤S2具体包括以下分步骤：
S21、利用线性插值法对原始图像信息进行数据扩充，得到训练数据集，其中训练数据集表示为：
Figure FDA0003549262210000021
Figure FDA0003549262210000022
其中，xi，xj为原始图像信息中的训练样本，yi为xi对应的标签，yj分别为xj对应的标签，λ为混合系数，
Figure FDA0003549262210000023
为混合后的训练样本，
Figure FDA0003549262210000024
为混合后的训练样本
Figure FDA0003549262210000025
对应的标签；
S22、对训练数据集进行自适应图片缩放，得到预处理后的训练数据集；
S23、构建基于ASSP的神经网络模型，并利用基于ASSP的神经网络模型提取预处理后的训练数据集的病灶类别特征；
S24、利用病灶类别特征计算Softmax值，并根据Softmax值进行分类，得到分类结果；
S25、利用交叉熵损失函数对神经网络模型进行训练，得到优化后的基于ASSP的神经网络模型，进一步得到优化后的分类结果，并将优化后的分类结果转换为判断信号，传递给分流装置。
7.根据权利要求6所述的嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，步骤S22具体包括以下分步骤：
S221、对训练数据集中训练图片进行缩放，得到缩放后的训练数据集，其中缩放后的训练图片表示为：
x1*δ＝x3
y1*δ＝y3
其中，δ为缩放系数，x1为第1个原始的训练图片长度，y1为第1个原始的训练图片的宽度，x3为第1个缩放后的训练图片的长度，y3为第1个缩放后的训练图片的宽度；
S222、对缩放后的训练数据集进行黑边填充，得到预处理后的训练数据集。
8.根据权利要求6所述的嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，步骤S23具体包括以下分步骤：
S231、利用膨胀卷积层替代残差模块的普通卷积层，得到改进残差模块，并利用不少于一个的改进残差模块构建神经网络模型；
S232、利用神经网络模型根据预处理后的训练数据集提取初始病灶特征；
S233、利用不少于一个的膨胀卷积层构建并行的ASSP结构，同时利用ASSP结构对初始病灶特征进行双线性插值；并结合ASSP结构与神经网络模型组成基于ASSP的神经网络模型；
S234、对各分支结构的双线性插值进行融合，并利用卷积层根据融合结果得到病灶类别特征。
9.根据权利要求8所述的嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，步骤S232包括以下分步骤：
A1、对预处理后的训练数据集中图像进行切割，得到不相交的图像块；
A2、将图像块按照像素的RGB通道展开，得到各图像块的特征维度，并将各特征维度转换为三维，得到三维图像块；
A3、利用神经网络模型中改进残差模块对三维图像块进行特征提取，得到初始病灶特征。
10.根据权利要求8所述的嵌入式草鱼病灶自动分流装置的检测方法，其特征在于，步骤S233具体包括以下分步骤：
B1、利用不少于一个的膨胀卷积层构建并行ASSP结构；
B2、利用ASSP结构中各分支结构对初始病灶特征进行双线性插值，其中双线性插值的计算式表示为：
Figure FDA0003549262210000041
其中，点Q11的坐标为(x1,y1)，点Q12的坐标为(x1,y2)，点Q21的坐标为(x2,y1)，点Q22的坐标为(x2,y2)，f(x,y)为双线性插值计算后P(x,y)的坐标值。
CN202210258336.2A 2022-03-16 2022-03-16 一种嵌入式草鱼病灶自动分流装置及检测方法 Active CN114711181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210258336.2A CN114711181B (zh) 2022-03-16 2022-03-16 一种嵌入式草鱼病灶自动分流装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210258336.2A CN114711181B (zh) 2022-03-16 2022-03-16 一种嵌入式草鱼病灶自动分流装置及检测方法

Publications (2)

Publication Number Publication Date
CN114711181A true CN114711181A (zh) 2022-07-08
CN114711181B CN114711181B (zh) 2023-04-07

Family

ID=82238729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210258336.2A Active CN114711181B (zh) 2022-03-16 2022-03-16 一种嵌入式草鱼病灶自动分流装置及检测方法

Country Status (1)

Country Link
CN (1) CN114711181B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110294A (zh) * 2011-02-21 2011-06-29 中国农业大学 病鱼的鱼体图像处理方法及系统
CN205556642U (zh) * 2016-04-21 2016-09-07 中国水产科学研究院珠江水产研究所 一种避免草鱼细菌性败血症的监控装置
CN107494374A (zh) * 2017-09-14 2017-12-22 浙江海洋大学 一种草鱼优质群体的人工筛选方法及其筛选装置
CN109591982A (zh) * 2018-12-29 2019-04-09 浙江大学 一种无人监控水下养殖机器人
CN110664505A (zh) * 2019-08-26 2020-01-10 中国水产科学研究院渔业机械仪器研究所 草鱼疫苗识别及连续自动注射方法及装置
AU2020102433A4 (en) * 2020-09-25 2020-11-05 Bhoi, Akash Kumar DR Machine learning based fish monitoring machine and method thereof
CN112447295A (zh) * 2020-12-07 2021-03-05 吉首大学 一种实现大鲵行为监测的健康指数评价方法及系统
CN112580662A (zh) * 2020-12-09 2021-03-30 中国水产科学研究院渔业机械仪器研究所 一种基于图像特征识别鱼体方向的方法及系统
CN112634261A (zh) * 2020-12-30 2021-04-09 上海交通大学医学院附属瑞金医院 基于卷积神经网络的胃癌病灶检测方法及装置
CN112949408A (zh) * 2021-02-02 2021-06-11 华电西藏能源有限公司 一种过鱼通道目标鱼类实时识别方法和系统
CN113486609A (zh) * 2021-07-05 2021-10-08 河南城建学院 一种基于流体力学伯努利原理的流体物料传输装置及方法
CN113598098A (zh) * 2021-08-06 2021-11-05 黑龙江八一农垦大学 一种基于机器视觉的鱼病识别处理装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110294A (zh) * 2011-02-21 2011-06-29 中国农业大学 病鱼的鱼体图像处理方法及系统
CN205556642U (zh) * 2016-04-21 2016-09-07 中国水产科学研究院珠江水产研究所 一种避免草鱼细菌性败血症的监控装置
CN107494374A (zh) * 2017-09-14 2017-12-22 浙江海洋大学 一种草鱼优质群体的人工筛选方法及其筛选装置
CN109591982A (zh) * 2018-12-29 2019-04-09 浙江大学 一种无人监控水下养殖机器人
CN110664505A (zh) * 2019-08-26 2020-01-10 中国水产科学研究院渔业机械仪器研究所 草鱼疫苗识别及连续自动注射方法及装置
AU2020102433A4 (en) * 2020-09-25 2020-11-05 Bhoi, Akash Kumar DR Machine learning based fish monitoring machine and method thereof
CN112447295A (zh) * 2020-12-07 2021-03-05 吉首大学 一种实现大鲵行为监测的健康指数评价方法及系统
CN112580662A (zh) * 2020-12-09 2021-03-30 中国水产科学研究院渔业机械仪器研究所 一种基于图像特征识别鱼体方向的方法及系统
CN112634261A (zh) * 2020-12-30 2021-04-09 上海交通大学医学院附属瑞金医院 基于卷积神经网络的胃癌病灶检测方法及装置
CN112949408A (zh) * 2021-02-02 2021-06-11 华电西藏能源有限公司 一种过鱼通道目标鱼类实时识别方法和系统
CN113486609A (zh) * 2021-07-05 2021-10-08 河南城建学院 一种基于流体力学伯努利原理的流体物料传输装置及方法
CN113598098A (zh) * 2021-08-06 2021-11-05 黑龙江八一农垦大学 一种基于机器视觉的鱼病识别处理装置

Also Published As

Publication number Publication date
CN114711181B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110321923B (zh) 不同尺度感受野特征层融合的目标检测方法、系统及介质
CN108764372B (zh) 数据集的构建方法和装置、移动终端、可读存储介质
CN110263706B (zh) 一种雾霾天气车载视频动态目标检测和识别的方法
CN111783590A (zh) 一种基于度量学习的多类别小目标检测方法
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN110533084A (zh) 一种基于自注意力机制的多尺度目标检测方法
CN112529090B (zh) 一种基于改进YOLOv3的小目标检测方法
CN114399672A (zh) 一种基于深度学习的铁路货车闸瓦故障检测方法
CN116229452B (zh) 一种基于改进的多尺度特征融合的点云三维目标检测方法
CN113139489A (zh) 基于背景提取和多尺度融合网络的人群计数方法及系统
CN110648331A (zh) 用于医学图像分割的检测方法、医学图像分割方法及装置
CN113255797B (zh) 一种基于深度学习模型的危险品检测方法和系统
CN115205667A (zh) 一种基于YOLOv5s的密集目标检测方法
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
CN114283137A (zh) 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法
CN115578615A (zh) 基于深度学习的夜间交通标志图像检测模型建立方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统
CN111339950B (zh) 一种遥感图像目标检测方法
CN116403042A (zh) 一种轻量化卫生用品缺陷检测的方法及装置
CN117037031A (zh) 防辐射玻璃的制备方法及其系统
CN118097268A (zh) 一种基于监控场景的长尾目标检测方法
CN112183640B (zh) 一种基于不规则物体的检测和分类方法
CN106960188B (zh) 天气图像分类方法及装置
CN114711181B (zh) 一种嵌入式草鱼病灶自动分流装置及检测方法
CN116645325A (zh) 光伏板的缺陷标注方法、装置、介质及电子设备

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