一种基于神经网络的鱼类活性分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107423745A(43)申请公布日2017.12.01(21)申请号201710187860.4(22)申请日2017.03.27(71)申请人浙江工业大学地址310014浙江省杭州市下城区潮王路18号浙江工业大学科技处(72)发明人程振波唐文庆肖刚高晶莹邵腾飞黄斌朱天奇周华康(74)专利代理机构杭州天正专利事务所有限公司33201代理人王兵黄美娟(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06N3/00(2006.01)权利要求书3页说明书8页附图8页(54)发明名称一种基于神经网络的鱼类活性分类方法(57)摘要一种基于神经网络的鱼类活性检测方法，包括以下步骤：1)以鲫鱼作为生物监测对象对其进行实时监测；2)通过背景差分法提取目标鱼轮廓，实时监测鲫鱼群体，得到鲫鱼的跟踪视频序列；3)通过神经网络自动得到被监测鱼死亡与存活的纹理特性信息，包括以下过程：3.1)、收集提取鱼目标的轮廓信息数据，将其作为检测水质是否异常的指标；3.2)、基于神经网络算法对数据进行训练产生成熟的分类器结构模型；3.3)、使用新的特征数据来检测判断该检测模型是否成熟；3.4)、通过成熟的检测模型在线检测实时水质数据，最终实现水质毒性的在线检测。CN107423745ACN107423745A权利要求书1/3页1.一种基于神经网络的鱼类活性检测方法，步骤如下：1)以鲫鱼作为生物监测对象对其进行实时监测，根据鲫鱼在检测缸中的实时图像特征，以此判断其处于死亡或者存活状态，从而实现对监测水样中是否受到有毒物质的污染进行实时预警；2)采集和提取目标鱼的图像特征，利用背景差分的方法来提取鱼目标轮廓；通过识别、分割监控视频所拍摄到的目标图像，对目标鱼进行跟踪并标定其实时运动位置，设定固定时间间隔作为统计周期，获取该周期鱼群的图像特征；3)通过神经网络判断被监测鱼死亡或者存活的状态；定义死鱼特征数据集和活鱼特征数据集，通过导入收集的死鱼与活鱼数据集，对神经网络模型进行训练从而获取判断被监测鱼死亡或者存活的特征信息；具体过程如下：3.1)构建鱼类死亡或者存活状态的训练数据，将其作为判断被监测鱼生存状况的依据从而检测水质是否发生异常的指标；通过对视频图像中的目标鱼群进行实时跟踪鱼目标，提取每一时间间隔周期内目标鱼个体的轮廓区域信息，再对目标鱼区域内信息进行预处理，将处理后的区域信息保存并将此区域图像信息作为训练神经网络的训练输入数据；训练样本数据的提取方法如下：S1)根据跟踪定位到的鱼目标，找到目标鱼边缘轮廓信息；S2)根据边缘信息，以最小外接矩形的方式截取鱼目标信息和周围的背景信息；S3)对截取矩形区域内的信息进行阈值化处理，将区域内目标鱼轮廓之外的背景处理为无效信息；保留鱼目标信息不作处理；S4)将矩形图片进行灰度化处理，之后作为输入样本数据来进行神经网络的训练；3.2)基于神经网络算法对数据进行训练生成分类结构模型；该神经网络采用的是一种按照误差逆序传播算法训练的多层前馈网络，即反向传播网络(Backpropagation，BP)；BP神经网络模型的拓扑结构包括输入层、隐含层和输出层，其内部通过一定的权值矩阵建立当前层神经元与下一层神经元之间的连接，各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统，经过样本学习后输出，当实际输出与期望输出不符时，进入误差的反向传播阶段；误差通过输出层，按误差梯度下降的方式对各连接权值做出动态调整，并向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，在不断的迭代训练过程中，当网络的误差平方和最小，训练终止并完成了网络模型的训练过程；BP神经网络的网络模型层数为四层，其中包括一个输入层、两个隐含层和一个输出层；BP神经网络算法过程如下：a)定义输入层信息由向量x＝[x1,x2,…,xm]表示，通过将样本图片调整为统一尺寸大小，并对每幅图片作局部二值化处理(LBP)得到特征向量，作为网络输入样本数据，记为x。每个xi特征信息作为一个输入神经元，m代表输入层神经元的个数。其中对LBP特征向量提取的步骤如下：a1)将目标图片划分为16×16的小区域(cell)；a2)对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，如果周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点2CN107423745A权利要求书2/3页经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；a3)计算每个cell的直方图，即每个数