LU500649B1 - Verfahren und system zur erkennung von fischnetzschäden durch unterwasserbildgebung basierend auf tiefenlernen - Google Patents
Verfahren und system zur erkennung von fischnetzschäden durch unterwasserbildgebung basierend auf tiefenlernen Download PDFInfo
- Publication number
- LU500649B1 LU500649B1 LU500649A LU500649A LU500649B1 LU 500649 B1 LU500649 B1 LU 500649B1 LU 500649 A LU500649 A LU 500649A LU 500649 A LU500649 A LU 500649A LU 500649 B1 LU500649 B1 LU 500649B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- fishnet
- damage
- image
- underwater imaging
- damage detection
- Prior art date
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 111
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 6
- 240000007651 Rubus glaucus Species 0.000 claims description 3
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 3
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004642 transportation engineering Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- A01K75/00—Accessories for fishing nets; Details of fishing nets, e.g. structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
Die vorliegende Erfindung stellt ein Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit, umfassend die folgenden Schritte: Sammlung der Bilddatenbank und Aufteilung in einen Trainingssatz und einen Testsatz; Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung und Erstellung einer Tabellendatei zur Speicherung; Erstellung eines Modells zur Erkennung von Fischnetzschäden; Eingabe des Trainingssatzes in das Modell zur Erkennung von Fischnetzschäden zum Training, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten; Eingabe des Testsatzes in das trainierte Modell zur Erkennung von Fischnetzschäden, Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden entsprechend dem Testsatz, Überprüfung der Genauigkeit des Modells, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten; Sammlung des Unterwasserfischnetzbildes durch Unterwasserkameras, Eingabe des Unterwasserfischnetzbildes in das trainierte Modell zur Erkennung von Fischnetzschäden, und Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden. Die vorliegende Erfindung stellt ein System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit, das auf einem technischen Träger für Unterwasseroperationen verwendet werden kann.
Description
! LU500649
DURCH UNTERWASSERBILDGEBUNG BASIEREND AUF TIEFENLERNEN Technisches Gebiet Die vorliegende Erfindung bezieht sich auf das technische Gebiet der Bilderkennung, insbesondere auf ein Verfahren und System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen.
Stand der Technik Zielerfassung ist die Erforschung der Positionierung und Klassifizierung von Zielobjekten. Mit der kontinuierlichen Weiterentwicklung der digitalen Bildverarbeitung ist die Zielerfassung zu einer der wichtigsten Forschungsrichtungen der heutigen Forscher geworden. Die Bilderkennungstechnologie ist in den Bereichen Medizin, Militär, Industrie und Landwirtschaft weit verbreitet. Gegenwärtig gibt es keine verwandte Forschung zur Erkennung von Fischnetzschäden.
In ähnlicher Weise schlugen der Forscher Xu Zhigang et al. eine automatische Verarbeitungstechnologie für Straßenschädensbilder vor. Bei der Erkennung von Fahrbahnschäden werden hauptsächlich das Schwellenwertsegmentierungsverfahren, das Kantenerfassungsverfahren, das Multiskalen-Risserfassungsverfahren, das Textursegmentierungsverfahren, das Multimerkmalsfusionsverfahren, das Segmentierungsverfahren nach der Graphentheorie, das Verfahren basierend auf Tiefenlernen usw. verwendet. Darunter werden bei der Verwendung von Verfahren basierend auf Tiefenlernen zur Schadenserfassung hauptsächlich das Convolutional Neural Network CNN und das Deep Convolutional Neural Network DCNN verwendet, und die Verwendung des CNN-Verfahrens kann die Unzulänglichkeiten der herkömmlichen Verfahren in Bezug auf Genauigkeit und Erfassungseffizienz ausgleichen (Xu Zhigang, Che Yanli, Li Jinlong, et al. Forschungsfortschritt in der automatischen Verarbeitungstechnologie für Straßenschädensbilder [J]. Journal of Traffic and Transportation Engineering, 2019, 19(01):176-194.). Bei Anwendung auf das Gebiet der Erkennung von Fischnetzschäden durch Unterwasserbildgebung wird die direkte Verwendung des Convolutional Neural Network CNN und Deep Convolutional Neural Network DCNN jedoch komplizierte Algorithmen aufweisen, so dass es schwierig auf dem technischen Träger für Unterwasseroperationen zu verwenden ist.
Inhalt der vorliegenden Erfindung Um die Mängel des oben erwähnten Standes der Technik zu überwinden, dass der Algorithmus kompliziert und schwierig auf dem technischen Träger für Unterwasseroperationen zu verwenden ist, stellt die vorliegende Erfindung ein Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen und ein System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit.
Um die obigen technischen Probleme zu lösen, ist die technische Lösung der vorliegenden Erfindung wie folgt: Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit, umfassend die folgenden Schritte: S1: Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung zur Bildung einer Bilddatenbank, Aufteilung des Fischnetzschädensbildes durch Unterwasserbildgebung in der Bilddatenbank in einen Trainingssatz und einen Testsatz; Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Erstellung einer Tabellendatei durch die markierten Netzbruchpositionsdaten zur Speicherung; S2: Erstellung eines Modells zur Erkennung von Fischnetzschäden, Auswahl der für das Training des Modells zur Erkennung von Fischnetzschäden erforderlichen Konfigurationsdatei, und Voreinstellung des Klassifizierungsetikettenkatalogs des Modells zur Erkennung von Fischnetzschäden; S3: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog, anschließende Eingabe des Trainingssatzes in das Modell zur Erkennung von Fischnetzschäden zum Training, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten; S4: Eingabe des Testsatzes in das trainierte Modell zur Erkennung von Fischnetzschäden, Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden entsprechend dem Testsatz, Vergleich der Ergebnisse der Erkennung von Fischnetzschäden mit den in der Tabellendatei gespeicherten Netzbruchpositionsdaten zur Überprüfung der Genauigkeit des Modells: Wenn die Genauigkeit größer oder gleich dem voreingestellten Genauigkeitsschwellenwert ist, wird der Schritt S5 ausgeführt, andernfalls wird der Schritt S1 durch Springen ausgeführt; SS: Sammlung des Unterwasserfischnetzbildes durch Unterwasserkameras, Eingabe des Unterwasserfischnetzbildes in das trainierte Modell zur Erkennung von Fischnetzschäden, und Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden.
Vorzugsweise ist vorgesehen, dass das Modell zur Erkennung von Fischnetzschäden auf einem Tiefenlernmodell aus SSD_MobileNet, YOLO, SSD Inception und R-FCN_ResNet basiert.
Vorzugsweise ist vorgesehen, dass in Schritt S1 die spezifischen Schritte Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung umfassen: Erstellung eines Bildkoordinatensystems in dem Fischnetzschadensbild durch Unterwasserbildgebung; Markierung des umschriebenen rechteckigen Rahmens als realer Rahmen an der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Aufzeichnung der Mittelkoordinate des realen Rahmens, der Rahmenkörpergröße und der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung als reale Netzbruchinformation, und Erstellung einer Tabellendatei durch die realen Netzbruchdaten zur Speicherung. Vorzugsweise ist vorgesehen, dass in Schritt S3 die spezifischen Schritte umfassen: S3.1: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog; S3.2: Sequentielle Eingabe des Fischnetzschädensbildes durch Unterwasserbildgebung aus dem Trainingssatz in das Modell zur Erkennung von Fischnetzschäden, Erkennung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung und Markierung eines Vorhersagerahmens durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe des Fischnetzschädensbildes durch Unterwasserbildgebung mit einem Vorhersagerahmen, der Mittelkoordinate des Vorhersagerahmens und der Rahmenkorpergrofe; S3.3: Klassifizierung der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung entsprechend dem Klassifizierungsetikettenkatalog durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung; S3.4: Vergleich der Mittelkoordinate des Vorhersagerahmens, der RahmenkôrpergrôBe und der Netzbruchart des Fischnetzes, die vom Modell zur Erkennung von Fischnetzschäden ausgegeben werden, mit den realen Netzbruchdaten entsprechend dem Fischnetzschädensbild durch Unterwasserbildgebung, Berechnung der Verlustfunktion des Modells zur Erkennung von Fischnetzschäden, Optimierung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend dem Ergebnis der Verlustfunktion, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten.
Vorzugsweise ist vorgesehen, dass das Modell zur Erkennung von Fischnetzschäden in Schritt S3 insgesamt N Standardrahmen erzeugt, wenn die Netzbruchposition des
Fischnetzschädensbildes durch Unterwasserbildgebung erkannt wird, wobei das Modell zur Erkennung von Fischnetzschäden den vorhergesagten Wert c der Klassifikationskonfidenz berechnet, wenn die Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung klassifiziert wird.
Vorzugsweise ist vorgesehen, dass in Schritt S3 die Verlustfunktion L die Summe der Verlustfunktion Lie der Netzbruchpositionierung des Fischernetzes und der Verlustfunktion Leon der Netzbruchklassifizierung des Fischernetzes ist, und die Ausdrucksformel dafür ist wie folgt: 1 L(x,c,l,g)= N (Leonf(X,C) + @Lioc(x,1, Z)) Dabei steht 1 für den Wert des Vorhersagerahmens, g für den Wert des realen Rahmens
PD und x für den Netzwerkvorhersagewert des Modells zur Erkennung von Fischnetzschäden, Yi ist der voreingestellte Wert des Modells zur Erkennung von Fischnetzschäden, und die Ausdrucksformel für die Verlustfunktion “= der Netzbruchklassifizierung des Fischernetzes ist wie folgt: N p AP „0 Leonr(x,c) ==" x} log(ci )— X log(cı) i € Pos ie Neg or exple]) i — XX PN >. expe!)
P Dabei steht ©“ für den Wahrscheinlichkeitsvorhersagewert, wenn der Netzbruchvorhersagerahmen i des Fischernetzes mit dem realen Rahmen j in Bezug auf die Kategorie p übereinstimmt, und die Ausdrucksformel für die Verlustfunktion Loe der Netzbruchpositionierung des Fischernetzes ist wie folgt:
N Lioe(x,1,8) = > > x; smooth, (I" — 8”) iePos mefex,cy,w,h} Dabei steht (X) für die Mittelkoordinate des Vorhersagerahmens, w für die Breite des Vorhersagerahmens, h für die Höhe des Vorhersagerahmens, li für den Vorhersagerahmen, 5; für den realen Rahmen und smooth, (e) für den Glättungskoeffizienten.
> LU500649 Vorzugsweise ist vorgesehen, dass der voreingestellte Genauigkeitsschwellenwert in Schritt S4 im Bereich von 90% bis 95% liegt.
Die vorliegende Erfindung stellt auch ein System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit, das auf das Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen von einer der obigen technischen Lösungen angewendet wird, umfassend ein Bildgebungsmodul und einen Mikrocomputer, wobei das Bildgebungsmodul zur Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung verwendet wird, wobei das Ausgangsende des Bildgebungsmoduls mit dem Eingangsende des Mikrocomputers verbunden ist, wobei der Mikrocomputer mit einem trainierten Modell zur Erkennung von Fischnetzschäden eingebettet ist, um eine Erkennung von Fischnetzschäden an dem gesammelten Fischnetzschädensbild durch Unterwasserbildgebung durchzuführen und das Ergebniss der Erkennung von Fischnetzschäden auszugeben, wobei das Ergebnis der Erkennung von Fischnetzschäden ein Bild mit einem Vorhersagerahmen zur Erkennung von Fischnetzschäden und eine Fischernetzbruchkategorie umfasst.
Vorzugsweise ist vorgesehen, dass der Mikrocomputer ein Himbeerkuchen- Mikrocomputer ist.
Vorzugsweise ist vorgesehen, dass das System auch ein Kommunikationsmodul umfasst, wobei das Ausgangsende des Mikrocomputers mit dem Eingangsende des Kommunikationsmoduls verbunden ist, wobei das Kommunikationsmodul verwendet wird, um das gesammelte Fischnetzschädensbild durch Unterwasserbildgebung und das vom Mikrocomputer ausgegebene Ergebnis der Erkennung von Fischnetzschäden an das Kommunikationsterminal des Personals zu senden.
Im Vergleich zum Stand der Technik hat die technische Lôsung der vorliegenden Erfindung folgende vorteilhafte Wirkungen: In der vorliegenden Erfindung wird eine Erkennung von Fischnetzschäden an dem gesammelten Fischnetzschädensbild durch Unterwasserbildgebung durch das trainierte Modell zur Erkennung von Fischnetzschäden durchgeführt, um das Ergebniss der Erkennung von Fischnetzschäden zu erhalten, wodurch vermieden wird, dass der Zuchtfisch aus dem beschädigten Teil aus dem Zuchtbereich entweicht, wodurch der wirtschaftliche Verlust des Fischers verringert wird; Das leichtgewichtige Tiefenlernmodell SSD MobileNet wird zur Erstellung eines Modells zur Erkennung von Fischnetzschäden verwendet, das auf einem technischen Träger für Unterwasseroperationen verwendet werden kann.
Kurzbeschreibung der Zeichnung Fig. 1 ist ein Flussdiagramm eines Verfahrens zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in der Ausführungsform 1.
Fig. 2 ist ein schematisches Diagramm der Struktur eines Systems zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in Ausführungsform 2.
Ausführliche Ausführungsformen Die Zeichnungen dienen nur der beispielhaften Veranschaulichung und sind nicht als Einschränkung der vorliegenden Erfindung zu verstehen.
Zur besseren Veranschaulichung der vorliegenden Ausführungsform können bestimmte Teile der Zeichnungen weggelassen, vergrößert oder verkleinert dargestellt werden, was nicht die Größe des tatsächlichen Produkts darstellt.
Für den Fachmann ist es verständlich, dass bestimmte bekannte Strukturen und deren Beschreibungen in den Zeichnungen weggelassen werden können.
Die technische Lösung der vorliegenden Erfindung wird nachstehend in Verbindung mit Zeichnungen und Ausführungsformen weiter erläutert.
Ausführungsform 1 Die vorliegende Ausführungsform stellt ein Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit. Wie in Fig.
1 gezeigt ist, ist es ein Flussdiagramm eines Verfahrens zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen.
Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in der vorliegenden Ausführungsform, umfassend die folgenden Schritte: S1: Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung zur Bildung einer Bilddatenbank, Aufteilung des Fischnetzschädensbildes durch Unterwasserbildgebung in der Bilddatenbank in einen Trainingssatz und einen Testsatz; Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Erstellung einer Tabellendatei durch die markierten Netzbruchpositionsdaten zur Speicherung.
In dem Schritt ist vorgesehen, dass die spezifischen Schritte Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung umfassen: Erstellung eines Bildkoordinatensystems in dem Fischnetzschädensbild durch Unterwasserbildgebung; Markierung des umschriebenen rechteckigen Rahmens als realer Rahmen an der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Aufzeichnung der Mittelkoordinate des realen Rahmens, der Rahmenkörpergröße und der
Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung als reale Netzbruchinformation, und Erstellung einer Tabellendatei durch die realen Netzbruchdaten zur Speicherung. S2: Erstellung eines Modells zur Erkennung von Fischnetzschäden, Auswahl der für das Training des Modells zur Erkennung von Fischnetzschäden erforderlichen Konfigurationsdatei, und Voreinstellung des Klassifizierungsetikettenkatalogs des Modells zur Erkennung von Fischnetzschäden. Wobei das Modell zur Erkennung von Fischnetzschäden auf einem Tiefenlernmodell aus SSD MobileNet, YOLO, SSD Inception und R-FCN ResNet basiert. In der vorliegenden Ausführungsform ist vorgesehen, dass das Tiefenlernmodell SSD_MobileNet verwendet wird.
S3: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog, anschließende Eingabe des Trainingssatzes in das Modell zur Erkennung von Fischnetzschäden zum Training, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten. Die spezifischen Schritte sind wie folgt: S3.1: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog; S3.2: Sequentielle Eingabe des Fischnetzschädensbildes durch Unterwasserbildgebung aus dem Trainingssatz in das Modell zur Erkennung von Fischnetzschäden, Erkennung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung und Markierung eines Vorhersagerahmens durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe des Fischnetzschädensbildes durch Unterwasserbildgebung mit einem Vorhersagerahmen, der Mittelkoordinate des Vorhersagerahmens und der RahmenkôrpergrôBe; S3.3: Klassifizierung der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung entsprechend dem Klassifizierungsetikettenkatalog durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung; S3.4: Vergleich der Mittelkoordinate des Vorhersagerahmens, der RahmenkôrpergrôBe und der Netzbruchart des Fischnetzes, die vom Modell zur Erkennung von Fischnetzschäden ausgegeben werden, mit den realen Netzbruchdaten entsprechend dem Fischnetzschädensbild durch Unterwasserbildgebung, Berechnung der Verlustfunktion des Modells zur Erkennung von Fischnetzschäden, Optimierung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend dem Ergebnis der Verlustfunktion, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten.
In dem Schritt ist vorgesehen, dass das Modell zur Erkennung von Fischnetzschäden insgesamt N Standardrahmen erzeugt, wenn die Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung erkannt wird, wobei das Modell zur Erkennung von Fischnetzschäden den vorhergesagten Wert c der Klassifikationskonfidenz berechnet, wenn die Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung klassifiziert wird. In dem Schritt ist vorgesehen, dass die Verlustfunktion L die Summe der Verlustfunktion Loe der Netzbruchpositionierung des Fischernetzes und der Verlustfunktion Leon der Netzbruchklassifizierung des Fischernetzes ist, und die Ausdrucksformel dafür ist wie folgt: 1 L(x,c,l,g) =—(Lenf(Xx,C) +AXLo-(X, I, Z))
N Dabei steht 1 für den Wert des Vorhersagerahmens, g für den Wert des realen Rahmens und x für den Netzwerkvorhersagewert des Modells zur Erkennung von Fischnetzschäden, und die Ausdrucksformel für die Verlustfunktion Leon der Netzbruchklassifizierung des Fischernetzes ist wie folgt: N p AP AO Leonr(x,c) ==" x} log(ci )— X log(c:) i € Pos ie Neg or exple]) Lo AN >. expe!)
P Dabei steht ©“ für den Wahrscheinlichkeitsvorhersagewert, wenn der Netzbruchvorhersagerahmen i des Fischernetzes mit dem realen Rahmen j in Bezug auf die
PD Kategorie p übereinstimmt, X ist der voreingestellte Wert des Modells zur Erkennung von Fischnetzschäden, und die Ausdrucksformel für die Verlustfunktion Line der Netzbruchpositionierung des Fischernetzes ist wie folgt:
N Lioe(x,1,8) = > > x; smooth, (I" — 8”) iePos mefex,cy,w,h} Dabei steht (X) für die Mittelkoordinate des Vorhersagerahmens, w für die Breite des Vorhersagerahmens, h für die Höhe des Vorhersagerahmens, li für den Vorhersagerahmen, &/ für den realen Rahmen und “M00(®) für den Glättungskoeffizienten.
S4: Eingabe des Testsatzes in das trainierte Modell zur Erkennung von Fischnetzschäden, Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden entsprechend dem Testsatz, Vergleich der Ergebnisse der Erkennung von Fischnetzschäden mit den in der Tabellendatei gespeicherten Netzbruchpositionsdaten zur Überprüfung der Genauigkeit des Modells: Wenn die Genauigkeit größer oder gleich dem voreingestellten Genauigkeitsschwellenwert ist, wird der Schritt SS ausgeführt, andernfalls wird der Schritt S1 durch Springen ausgeführt. Wobei der voreingestellte Genauigkeitsschwellenwert im Bereich von 90% bis 95% liegt. In der vorliegenden Ausführungsform ist vorgesehen, dass der Genauigkeitsschwellenwert auf 95% eingestellt wird.
SS: Sammlung des Unterwasserfischnetzbildes durch Unterwasserkameras, Eingabe des Unterwasserfischnetzbildes in das trainierte Modell zur Erkennung von Fischnetzschäden, und Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden.
In der vorliegenden Ausführungsform ist vorgesehen, dass das leichtgewichtige Tiefenlernmodell SSD_MobileNet zur Erstellung eines Modells zur Erkennung von Fischnetzschäden verwendet wird, das auf einem technischen Träger für Unterwasseroperationen verwendet werden kann, um für die Erkennung von Fischnetzschäden durch Unterwasserbildgebung geeignet zu sein. In praktischen Anwendungen kann der beschädigte Teil der Unterwasserfischkultur im Käfig rechtzeitig erkannt werden, um das Problem der Fischnetzschäden in der Unterwasserfischkultur im Käfig zu lösen, wodurch vermieden wird, dass der Zuchtfisch aus dem beschädigten Teil aus dem Zuchtbereich entweicht, wodurch der wirtschaftliche Verlust des Fischers verringert wird.
Ausführungsform 2 Die vorliegende Ausführungsform stellt ein System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen bereit, das auf das Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen der Ausführungsform 1 angewendet wird. Wie in Fig. 2 gezeigt ist, ist es ein schematisches Diagramm der Struktur eines Systems zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in der vorliegenden Ausführungsform.
System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in der vorliegenden Ausführungsform, umfassend ein Bildgebungsmodul 1 und einen Mikrocomputer 2, wobei das Bildgebungsmodul 1 zur Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung verwendet wird, wobei das Ausgangsende des Bildgebungsmoduls 1 mit dem Eingangsende des Mikrocomputers 2 verbunden ist, wobei der Mikrocomputer 2 mit einem trainierten Modell zur Erkennung von
Fischnetzschäden eingebettet ist, um eine Erkennung von Fischnetzschäden an dem gesammelten Fischnetzschädensbild durch Unterwasserbildgebung durchzuführen und das Ergebniss der Erkennung von Fischnetzschäden auszugeben, wobei das Ergebnis der Erkennung von Fischnetzschäden ein Bild mit einem Vorhersagerahmen zur Erkennung von Fischnetzschäden und eine Fischernetzbruchkategorie umfasst.
In der vorliegenden Ausführungsform ist vorgesehen, dass das Bildgebungsmodul 1 eine Unterwasserkamera ist und der Mikrocomputer 2 ein Himbeerkuchen-Mikrocomputer 2 ist.
In der vorliegenden Ausführungsform ist vorgesehen, dass das System auch ein Kommunikationsmodul 3 umfasst, wobei das Ausgangsende des Mikrocomputers 2 mit dem Eingangsende des Kommunikationsmoduls 3 verbunden ist, wobei das Kommunikationsmodul 3 verwendet wird, um das gesammelte Fischnetzschädensbild durch Unterwasserbildgebung und das vom Mikrocomputer 2 ausgegebene Ergebnis der Erkennung von Fischnetzschäden an das Kommunikationsterminal des Personals zu senden. Das Kommunikationsmodul 3 in der vorliegenden Ausführungsform verwendet drahtlose Unterwasserkommunikationstechnologien wie Hochfrequenztechnologie, Unterwasserakustikkommunikation und Unterwasserquantenkommunikation, um die Datenkommunikation durchzuführen.
In dem spezifischen Ausführungsprozess wird das Bildgebungsmodul 1 unter Wasser platziert, um Fischnetzschädensbilder durch Unterwasserbildgebung zu sammeln. Das Bildgebungsmodul 1 überträgt das gesammelte Fischnetzschädensbild durch Unterwasserbildgebung zur Erkennung und Analyse an den Mikrocomputer 2. Dabei ist der Mikrocomputer 2 mit einem trainierten Modell zur Erkennung von Fischnetzschäden ausgestattet, und das gesammelte Fischnetzschädensbild durch Unterwasserbildgebung wird in das trainierten Modell zur Erkennung von Fischnetzschäden eingegeben, und das Modell gibt das Ergebniss der Erkennung von Fischnetzschäden aus. Insbesondere umfasst das Ergebnis der Erkennung von Fischnetzschäden ein Bild mit einem Vorhersagerahmen zur Erkennung von Fischnetzschäden und eine Fischernetzbruchkategorie. Der Mikrocomputer 2 überträgt das von ihm ausgegebene Ergebnis der Erkennung von Fischnetzschäden über das Kommunikationsmodul 3 an das Kommunikationsterminal des Personals. Das Personal kann das Ergebnis der Erkennung von Fischnetzschäden über sein Kommunikationsterminal anzeigen und den beschädigten Teil der Unterwasserfischkultur im Käfig weiter bestimmen.
Zusätzlich kann das System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen in der vorliegenden Ausführungsform auf Anwendungsträger wie ferngesteuerte unbemannte Unterwasser-Tauchboote, kabellose Unterwasserroboter, Tiefseeländer und Meeresroboter angewendet werden.
I LU500649 Gleiche oder ähnliche Bezugszeichen entsprechen gleichen oder ähnlichen Teilen.
Die Begriffe, die die Positionsbeziehung in den Zeichnungen beschreiben, werden nur zur beispielhaften Veranschaulichung verwendet und können nicht als Einschränkung der vorliegenden Erfindung verstanden werden.
Offensichtlich ist die obige Ausführungsform der vorliegenden Erfindung nur verwendet, um die Beispiele der vorliegenden Erfindung klar zu veranschaulichen, anstatt die Ausführungsformen der vorliegenden Erfindung einzuschränken. Für den gewöhnlichen Fachmann können andere verschiedene Formen von Änderungen oder Modifikationen auf der Grundlage der obigen Beschreibung vorgenommen werden. Es können hier nicht alle Ausführungsformen im Detail aufgeführt werden. Alle Änderungen, gleichwertige Ersetzungen und Verbesserungen, die im Rahmen des Geistes und der Grundsätze der vorliegenden Erfindung vorgenommen werden, fallen in den Schutzbereich der Ansprüche der vorliegenden Erfindung.
Claims (10)
1. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: S1: Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung zur Bildung einer Bilddatenbank, Aufteilung des Fischnetzschädensbildes durch Unterwasserbildgebung in der Bilddatenbank in einen Trainingssatz und einen Testsatz; Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Erstellung einer Tabellendatei durch die markierten Netzbruchpositionsdaten zur Speicherung; S2: Erstellung eines Modells zur Erkennung von Fischnetzschäden, Auswahl der für das Training des Modells zur Erkennung von Fischnetzschäden erforderlichen Konfigurationsdatei, und Voreinstellung des Klassifizierungsetikettenkatalogs des Modells zur Erkennung von Fischnetzschäden; S3: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog, anschließende Eingabe des Trainingssatzes in das Modell zur Erkennung von Fischnetzschäden zum Training, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten; S4: Eingabe des Testsatzes in das trainierte Modell zur Erkennung von Fischnetzschäden, Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden entsprechend dem Testsatz, Vergleich der Ergebnisse der Erkennung von Fischnetzschäden mit den in der Tabellendatei gespeicherten Netzbruchpositionsdaten zur Überprüfung der Genauigkeit des Modells: Wenn die Genauigkeit größer oder gleich dem voreingestellten Genauigkeitsschwellenwert ist, wird der Schritt SS ausgeführt, andernfalls wird der Schritt S1 durch Springen ausgeführt; SS: Sammlung des Unterwasserfischnetzbildes durch Unterwasserkameras, Eingabe des Unterwasserfischnetzbildes in das trainierte Modell zur Erkennung von Fischnetzschäden, und Ausgabe des Ergebnisses der Erkennung von Fischnetzschäden.
2. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 1, dadurch gekennzeichnet, dass das Modell zur Erkennung von Fischnetzschäden auf einem Tiefenlernmodell aus SSD_MobileNet, YOLO, SSD_Inception und R-FCN ResNet basiert.
3. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt S1 die spezifischen Schritte Markierung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung umfassen:
Erstellung eines Bildkoordinatensystems in dem Fischnetzschädensbild durch Unterwasserbildgebung; Markierung des umschriebenen rechteckigen Rahmens als realer Rahmen an der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung, Aufzeichnung der Mittelkoordinate des realen Rahmens, der Rahmenkôrpergrôfe und der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung als reale Netzbruchinformation, und Erstellung einer Tabellendatei durch die realen Netzbruchdaten zur Speicherung.
4. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 3, dadurch gekennzeichnet, dass in Schritt S3 die spezifischen Schritte umfassen: S3.1: Anpassung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend der Konfigurationsdatei und dem Klassifizierungsetikettenkatalog; S3.2: Sequentielle Fingabe des Fischnetzschädensbildes durch Unterwasserbildgebung aus dem Trainingssatz in das Modell zur Erkennung von Fischnetzschäden, Erkennung der Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung und Markierung eines Vorhersagerahmens durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe des Fischnetzschädensbildes durch Unterwasserbildgebung mit einem Vorhersagerahmen, der Mittelkoordinate des Vorhersagerahmens und der RahmenkôrpergrôBe; S3.3: Klassifizierung der Netzbruchart des Fischnetzschdadensbildes durch Unterwasserbildgebung entsprechend dem Klassifizierungsetikettenkatalog durch das Modell zur Erkennung von Fischnetzschäden, Ausgabe der Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung; S3.4: Vergleich der Mittelkoordinate des Vorhersagerahmens, der RahmenkôrpergrôfBe und der Netzbruchart des Fischnetzes, die vom Modell zur Erkennung von Fischnetzschäden ausgegeben werden, mit den realen Netzbruchdaten entsprechend dem Fischnetzschädensbild durch Unterwasserbildgebung, Berechnung der Verlustfunktion des Modells zur Erkennung von Fischnetzschäden, Optimierung der Parameter des Modells zur Erkennung von Fischnetzschäden entsprechend dem Ergebnis der Verlustfunktion, um das trainierte Modell zur Erkennung von Fischnetzschäden zu erhalten.
5. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 4, dadurch gekennzeichnet, dass das Modell zur Erkennung von Fischnetzschäden in Schritt S3 insgesamt N Standardrahmen erzeugt, wenn die Netzbruchposition des Fischnetzschädensbildes durch Unterwasserbildgebung erkannt wird, wobei das Modell zur Erkennung von Fischnetzschäden den vorhergesagten Wert c der Klassifikationskonfidenz berechnet, wenn die Netzbruchart des Fischnetzschädensbildes durch Unterwasserbildgebung klassifiziert wird.
6. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 5, dadurch gekennzeichnet, dass in Schritt S3 die Verlustfunktion L die Summe der Verlustfunktion Loe der Netzbruchpositionierung des Fischernetzes und der Verlustfunktion Leon der Netzbruchklassifizierung des Fischernetzes ist, und die Ausdrucksformel dafür ist wie folgt: 1 L(x,c,l,g)= N (Leonf(X,C) + @Lioc(x,1, Z)) Dabei steht | für den Wert des Vorhersagerahmens, g für den Wert des realen Rahmens und x für den Netzwerkvorhersagewert des Modells zur Erkennung von Fischnetzschäden, und die Ausdrucksformel für die Verlustfunktion Leon der Netzbruchklassifizierung des Fischernetzes ist wie folgt: N p AP AO Leonr(x,c) ==" x} log(ci )— X log(c:) ie Pos ie Neg or exple]) Lo AN >. expe!)
P Dabei steht Ci für den Wahrscheinlichkeitsvorhersagewert, wenn der Netzbruchvorhersagerahmen i des Fischernetzes mit dem realen Rahmen j in Bezug auf die
PD Kategorie p übereinstimmt, X ist der voreingestellte Wert des Modells zur Erkennung von Fischnetzschäden, und die Ausdrucksformel für die Verlustfunktion Line der Netzbruchpositionierung des Fischernetzes ist wie folgt:
N Lioe(x,1,8) = > > x; smooth, (I" — 8”) iePos mefex,cy,w,h} Dabei steht (€*<Y) für die Mittelkoordinate des Vorhersagerahmens, w für die Breite des Vorhersagerahmens, h für die Hôhe des Vorhersagerahmens, I fur den Vorhersagerahmen, 87 für den realen Rahmen und * moot, (e) für den Glättungskoeffizienten.
7. Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 1, dadurch gekennzeichnet, dass der voreingestellte Genauigkeitsschwellenwert in Schritt S4 im Bereich von 90% bis 95% liegt.
8. System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen, das auf das Verfahren zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung basierend auf Tiefenlernen der Ansprüche 1 bis 7 angewendet wird, dadurch gekennzeichnet, dass es ein Bildgebungsmodul und einen Mikrocomputer umfasst, wobei das Bildgebungsmodul zur Sammlung des Fischnetzschädensbildes durch Unterwasserbildgebung verwendet wird, wobei das Ausgangsende des Bildgebungsmoduls mit dem Eingangsende des Mikrocomputers verbunden ist, wobei der Mikrocomputer mit einem trainierten Modell zur Erkennung von Fischnetzschäden eingebettet ist, um eine Erkennung von Fischnetzschäden an dem gesammelten Fischnetzschädensbild durch Unterwasserbildgebung durchzuführen und das Ergebniss der Erkennung von Fischnetzschäden auszugeben, wobei das Ergebnis der Erkennung von Fischnetzschäden ein Bild mit einem Vorhersagerahmen zur Erkennung von Fischnetzschäden und eine Fischernetzbruchkategorie umfasst.
9. System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 8, dadurch gekennzeichnet, dass der Mikrocomputer ein Himbeerkuchen- Mikrocomputer ist.
10. System zur Erkennung von Fischnetzschäden durch Unterwasserbildgebung nach Anspruch 8, dadurch gekennzeichnet, dass das System auch ein Kommunikationsmodul umfasst, wobei das Ausgangsende des Mikrocomputers mit dem FEingangsende des Kommunikationsmoduls verbunden ist, wobei das Kommunikationsmodul verwendet wird, um das gesammelte Fischnetzschädensbild durch Unterwasserbildgebung und das vom Mikrocomputer ausgegebene Ergebnis der Erkennung von Fischnetzschäden an das Kommunikationsterminal des Personals zu senden.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036004.7A CN112163517A (zh) | 2020-09-27 | 2020-09-27 | 一种基于深度学习的水下成像鱼网破损识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| LU500649A1 LU500649A1 (de) | 2022-03-28 |
| LU500649B1 true LU500649B1 (de) | 2022-04-08 |
Family
ID=73861310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU500649A LU500649B1 (de) | 2020-09-27 | 2020-12-28 | Verfahren und system zur erkennung von fischnetzschäden durch unterwasserbildgebung basierend auf tiefenlernen |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN112163517A (de) |
| LU (1) | LU500649B1 (de) |
| WO (1) | WO2022062242A1 (de) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758260B (zh) * | 2022-06-15 | 2022-10-18 | 成都鹏业软件股份有限公司 | 工地安全防护网检测方法及系统 |
| CN116228757B (zh) * | 2023-05-08 | 2023-08-29 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种基于图像处理算法的深海网箱网衣检测方法 |
| CN117115688A (zh) * | 2023-08-17 | 2023-11-24 | 广东海洋大学 | 基于深度学习的低亮度环境下死鱼识别计数系统及方法 |
| CN117309900B (zh) * | 2023-09-25 | 2024-03-22 | 中国水产科学研究院南海水产研究所 | 一种浅海渔网破损检测装置及控制方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
| CN109409365A (zh) * | 2018-10-25 | 2019-03-01 | 江苏德劭信息科技有限公司 | 一种基于深度目标检测的待采摘水果识别和定位方法 |
| KR102234697B1 (ko) * | 2018-11-02 | 2021-04-02 | 광주과학기술원 | 수중드론을 이용하는 어망감시장치, 및 그 장치의 제어방법 |
| CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
| CN110163798B (zh) * | 2019-04-18 | 2020-12-04 | 中国农业大学 | 渔场围网破损检测方法及系统 |
| CN110335245A (zh) * | 2019-05-21 | 2019-10-15 | 青岛科技大学 | 基于单目时空连续图像的网箱网衣破损监测方法及系统 |
| CN110223293A (zh) * | 2019-06-21 | 2019-09-10 | 中国神华能源股份有限公司 | 列车车体破损的智能识别方法及识别装置 |
| CN111583197B (zh) * | 2020-04-23 | 2022-05-13 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
-
2020
- 2020-09-27 CN CN202011036004.7A patent/CN112163517A/zh active Pending
- 2020-12-28 WO PCT/CN2020/140287 patent/WO2022062242A1/zh active Application Filing
- 2020-12-28 LU LU500649A patent/LU500649B1/de active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022062242A1 (zh) | 2022-03-31 |
| CN112163517A (zh) | 2021-01-01 |
| LU500649A1 (de) | 2022-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU500649B1 (de) | Verfahren und system zur erkennung von fischnetzschäden durch unterwasserbildgebung basierend auf tiefenlernen | |
| CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
| DE102018200724A1 (de) | Verfahren und Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples" | |
| DE112017005651T5 (de) | Vorrichtung zur Klassifizierung von Daten | |
| DE112020005609T5 (de) | Domainanpassung für semantische Segmentierung durch Ausnutzen schwacher Etiketten | |
| DE102017115997A1 (de) | Tiefgreifendes maschinelles Lernen zur Vorhersage und Verhinderung ungünstiger Zustände bei baulichen Anlagen | |
| DE202017102381U1 (de) | Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples" | |
| DE112009000480T5 (de) | Dynamische Objektklassifikation | |
| Zhang et al. | Design of sick chicken automatic detection system based on improved residual network | |
| DE102018128531A1 (de) | System und Verfahren zum Analysieren einer durch eine Punktwolke dargestellten dreidimensionalen Umgebung durch tiefes Lernen | |
| DE102019127282A1 (de) | System und Verfahren zum Analysieren einer dreidimensionalen Umgebung durch tiefes Lernen | |
| DE112018005089T5 (de) | Inferenzvorrichtung, Inferenzverfahren, Programm und nicht transitorisches greifbares computerlesbares Medium | |
| DE102019209644A1 (de) | Verfahren zum Trainieren eines neuronalen Netzes | |
| CN111127423A (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
| DE102021201124A1 (de) | Trainieren von bildklassifizierernetzen | |
| DE112020003446T5 (de) | Validierung einer Leistung eines neuronalen Netzes, das mit markierten Trainingsdaten trainiert wurde | |
| DE102020200499A1 (de) | Verfahren zum Generieren von gelabelten Daten, insbesondere für das Training eines neuronalen Netzes, unter Verwendung ungelabelter, partitionierter Stichproben | |
| DE102019209463A1 (de) | Verfahren zur Bestimmung eines Vertrauenswertes eines Objektes einer Klasse | |
| DE102018211875A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Steuerungssystems | |
| DE102022201679A1 (de) | Verfahren und Vorrichtung zum Trainieren eines neuronalen Netzes | |
| DE112021005555T5 (de) | Multitasking-lernen über gradienteilung zur umfangreichen menschlichen analyse | |
| DE102021204040A1 (de) | Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug | |
| DE102021111508A1 (de) | Vorrichtung und verfahren zur erkennung einer sich höher erstreckenden struktur unter verwendung eines lidarsensors | |
| DE102020203998A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Klassifikators | |
| CN115641466B (zh) | 一种基于视频数据的病牛甄别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20220408 |