基于语义分割的虾苗计数方法、系统、云服务器及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114913544A(43)申请公布日2022.08.16(21)申请号202210456018.7G06V10/26(2022.01)(22)申请日2022.04.28G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人华南农业大学地址510642广东省广州市天河区五山路483号(72)发明人高月芳吴精乙李西明温嘉勇郭玉彬赵泽勇刘瑞祥吴颖琪吴子彤陈怡薇严家美关颖盈(74)专利代理机构广州市华学知识产权代理有限公司44245专利代理师李君(51)Int.Cl.G06V40/10(2022.01)G06V20/05(2022.01)G06V10/82(2022.01)权利要求书2页说明书11页附图8页(54)发明名称基于语义分割的虾苗计数方法、系统、云服务器及介质(57)摘要本发明公开了一种基于语义分割的虾苗计数方法、系统、云服务器及介质，所述方法包括：获取第一数据集，并对第一数据集进行数据处理，得到第二数据集；构建基于语义分割的计数网络模型，所述计数网络模型包括骨干网络、分割图分支、只数回归分支和全连接层模块，所述只数回归分支与全连接层模块连接；利用第二数据集对所述计数网络模型进行训练与验证，得到虾苗计数网络模型；对获取到的待计数虾苗图像进行预处理；将预处理后的待计数虾苗图像输入虾苗计数网络模型，得到待计数虾苗的二值分割图；对所述二值分割图进行统计计数，实现虾苗计数。本发明通过构造基于语义分割的虾苗计数网络模型，实现虾苗计数，可以提高虾苗计数的准确率和稳定性。CN114913544ACN114913544A权利要求书1/2页1.一种基于语义分割的虾苗计数方法，其特征在于，所述方法包括：获取第一数据集，并对第一数据集进行数据处理，得到第二数据集，所述第一数据集为虾苗图像数据集，所述第二数据集包括虾苗图像数据集、掩模图标签文件数据集和虾苗总数csv文件数据集；构建基于语义分割的计数网络模型，所述计数网络模型包括骨干网络、分割图分支、只数回归分支和全连接层模块，所述只数回归分支与全连接层模块连接；利用第二数据集对所述计数网络模型进行训练与验证，得到虾苗计数网络模型；对获取到的待计数虾苗图像进行预处理；将预处理后的待计数虾苗图像输入虾苗计数网络模型，得到待计数虾苗的二值分割图；对所述二值分割图进行统计计数，实现虾苗计数。2.根据权利要求1所述的虾苗计数方法，其特征在于，所述骨干网络为SwinTransformer的base版本的骨干网络；所述分割图分支包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层连接，所述第一卷积层和第二卷积层的卷积核大小均为1；所述只数回归分支包括第一卷积块和第二卷积块，所述第一卷积块包括四个卷积操作，所述第二卷积块包括三个卷积操作；所述全连接层模块包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层、第二全连接层、第三全连接层依次连接，所述第一全连接层和第三全连接层包括2048个神经元，所述第二全连接层包括4096个神经元。3.根据权利要求2所述的虾苗计数方法，其特征在于，所述第一卷积块包括第四卷积层、第五卷积层、第六卷积层和第七卷积层，所述第四卷积层、第五卷积层、第六卷积层、第七卷积层依次连接；所述第一卷积块包括四个卷积操作，具体包括：所述第四卷积层、第五卷积层和第七卷积层以卷积核大小为1的方式进行卷积操作，所述第六卷积层以卷积核大小为3的方式进行卷积操作；所述第二卷积块包括第八卷积层、第九卷积层、第十卷积层和全局平均池化层，所述第八卷积层、第九卷积层、第十卷积层、全局平均池化层依次连接；所述第二卷积块包括三个卷积操作，具体包括：所述第八卷积层和第十卷积层以卷积核大小为1的方式进行卷积操作，所述第九卷积层以卷积核大小为3的方式进行卷积操作。4.根据权利要求1所述的虾苗计数方法，其特征在于，在所述利用第二数据集对所述计数网络模型进行训练的过程中，使用第一损失函数对分割图分支进行训练，使用第二损失函数对只数回归分支进行训练，如下式：L＝λ1Lf+λ2LcλLf＝‑αt(1‑pt)log(pt)2CN114913544A权利要求书2/2页其中，L表示总的损失函数，Lf表示第一损失函数，LC表示第二损失函数，P表示预测的虾苗的概率，y表示图像中真实的虾苗总数，表示预测的虾苗总数，λ、αt、λ1、λ2表示超参数。5.根据权利要求1所述的虾苗计数方法，其特征在于，所述对所述二值分割图进行统计计数，实现虾苗计数，具体包括：基于所述二值分割图，计算每个连通域的面积，并根据每个连通域的面积，进行排序；根据每个连通域的面积，计算连通域的平均面积和连通域面积的标准差；基于排序后的每个连通域，遍历每个连通域，根据每个连通域的