深度学习鱼群摄食状态识别方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115497034A(43)申请公布日2022.12.20(21)申请号202110614416.2G06V10/774(2022.01)(22)申请日2021.06.02G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人中国农业大学地址100193北京市海淀区圆明园西路2号(72)发明人陈英义杨玲李道亮于辉辉刘慧慧孙博洋梅思远秦瀚翔程月兰(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师宋玉环(51)Int.Cl.G06V20/52(2022.01)G06V10/82(2022.01)G06V10/74(2022.01)G06V10/40(2022.01)权利要求书1页说明书7页附图2页(54)发明名称深度学习鱼群摄食状态识别方法和装置(57)摘要本发明涉及一种深度学习鱼群摄食状态识别方法和装置，该方法包括：获取待识别的鱼群的图像；将所述鱼群图像输入至基于双注意力EfficientNet‑B2网络的鱼群摄食状态识别模型中，得到所述鱼群摄食状态识别模型输出的鱼群摄食状态识别结果：其中，所述EfficientNet‑B2网络结构能够实现图像局部及全局特征的提取，最后输出一个特征向量，将EfficientNet‑B2输出的特征向量输入至双注意力机制模块，所述双注意力机制模块集中于图像中鱼群摄食区域特征的提取，而忽略非摄食区域特征的提取。本发明可以通过基于双注意力机制的EfficientNet‑B2网络，实现工厂化循环水养殖场景下鱼群摄食状态的准确识别，并且获得的网络参数模型较小，适用于一般监控设备中。CN115497034ACN115497034A权利要求书1/1页1.一种深度学习鱼群摄食状态识别方法，其特征在于，包括：获取待识别的鱼群的图像；将所述鱼群图像输入至基于双注意力EfficientNet‑B2网络的鱼群摄食状态识别模型中，得到所述鱼群摄食状态识别模型输出的鱼群摄食状态识别结果；其中，所述EfficientNet‑B2网络结构能够实现图像局部及全局特征的提取，最后输出一个特征向量，将EfficientNet‑B2输出的特征向量输入至双注意力机制模块，所述双注意力机制模块集中于图像中鱼群摄食区域特征的提取，而忽略非摄食区域特征的提取。2.根据权利要求1所述的深度学习鱼群摄食状态识别方法，其特征在于，所述双注意力机制包括位置注意力机制和通道注意力机制，将两个注意机制进行融合以进一步提高特征表达。3.根据权利要求2所述的深度学习鱼群摄食状态识别方法，其特征在于，所述位置注意力机制使用自注意力机制来捕获特征图在任何两个位置之间的空间依赖性，通过特征的加权而选择性的聚合和更新每个位置特征。4.根据权利要求3所述的深度学习鱼群摄食状态识别方法，其特征在于，权重由对应于两个位置的特征相似度确定。5.根据权利要求1所述的深度学习鱼群摄食状态识别方法，其特征在于，所述方法还包括：训练所述鱼群摄食状态识别模型，所述训练所述鱼群摄食状态识别模型包括：构建数据集；对所述数据集进行数据增强，确定训练样本数据集。6.根据权利要求5所述的深度学习鱼群摄食状态识别方法，其特征在于，所述数据增强包括：对所述数据集中的鱼群的图像进行随机水平翻转、随机旋转、亮度变换、对比度变换和/或饱和度变换操作。7.根据权利要求5所述的深度学习鱼群摄食状态识别方法，其特征在于，所述训练所述鱼群摄食状态识别模型还包括：使用Mish激活、Ranger优化、LabelSmoothing损失和/或cosine衰减策略对基于双注意力的EfficientNet‑B2网络进行训练。8.一种深度学习鱼群摄食状态识别装置，其特征在于，包括：获取模块，用于获取待识别的鱼群的图像；鱼群摄食状态识别模块，用于将所述鱼群图像输入至基于双注意力EfficientNet‑B2网络的鱼群摄食状态识别模型中，得到所述鱼群摄食状态识别模型输出的鱼群摄食状态识别结果；其中，所述EfficientNet‑B2网络结构能够实现图像局部及全局特征的提取，最后输出一个特征向量，将EfficientNet‑B2输出的特征向量输入至双注意力机制模块，所述双注意力机制模块集中于图像中鱼群摄食区域特征的提取，而忽略非摄食区域特征的提取。2CN115497034A说明书1/7页深度学习鱼群摄食状态识别方法和装置技术领域[0001]本发明涉及水产养殖、人工智能、深度学习技术领域，尤其涉及一种鱼群摄食状态识别方法和装置。背景技术[0002]水产养殖是世界鱼类供应的主要驱动力，对改善粮食产量做出了重大贡献。随着集约化养殖规模的增加，摄食控制的方法直接影响着饲料的转换效率，饲料投喂成为提高养殖效率和降低成本的主要因素，因此