(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211368110.4 (22)申请日 2022.11.03 (71)申请人 大连海洋大学 地址 116023 辽宁省大连市沙河口区黑石 礁街52号 (72)发明人 吴俊峰　殷健豪　于红　高春奇　 郭世豪　 (74)专利代理 机构 北京知艺互联知识产权代理 有限公司 16137 专利代理师 陈艳 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06V 10/44(2022.01) G06V 10/74(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于可变形卷积和边缘特征学习的轻量化 鱼类识别系统及方法 (57)摘要 本发明公开了一种基于可变形卷积和边缘 特征学习的轻量化鱼类识别系统， 包括： 数据采 集模块， 用于采集鱼群信息； 鱼类识别终端， 用于 提取鱼群信息的视觉特征获得鱼群图片， 并赋予 鱼群图片中每个 鱼体唯一识别信息； 数据传输模 块， 用于将所述数据采集模块采集的鱼群信息传 输至所述鱼类识别终端； 所述数据采集模块经所 述数据传输模块与所述鱼类识别终端相连。 本发 明采用上述结构的基于可变形卷积和边缘特征 学习的轻量化鱼类识别系统， 可准确、 高效的提 取出水下 活动鱼类的视觉特征， 并赋予每条鱼体 唯一的身份识别信息， 从而获取鱼群信息， 具有 精准度高、 泛化性强、 操作简单、 使用可靠、 实用 价值强等优点， 提高了水 下鱼类识别效率。 权利要求书2页 说明书4页 附图2页 CN 115546193 A 2022.12.30 CN 115546193 A 1.一种基于可变形 卷积和边 缘特征学习的轻量 化鱼类识别系统， 其特 征在于： 包括： 数据采集模块， 用于采集鱼群信息； 鱼类识别终端， 用于提取鱼群信息的视觉特征获得鱼群图片， 并赋予鱼群图片中每个 鱼体唯一识别 信息； 数据传输模块， 用于将所述数据采集模块采集的鱼群信息传输 至所述鱼类识别终端； 所述数据采集模块经 所述数据传输模块与所述鱼类识别终端相连。 2.根据权利要求1所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述数据采集模块包括水下摄像机和靠近所述水下摄像机布置的水下照 明灯， 所述水 下摄像机和所述水 下照明灯均 与电源相连。 3.根据权利要求2所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述数据传输模块包括输入端与所述水下摄像机相连的数据传输单元和 数据存储单元， 所述数据传输单 元的输出端与所述数据存 储单元相连。 4.根据权利要求3所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述鱼类识别终端包括输入端与所述数据存储单元相连的数据接 收单元 和处理器， 所述数据接收单 元的输出端与所述处 理器相连。 5.根据权利要求4所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述鱼类识别终端还包括与所述处理器相连的监控器， 所述监控器设置于 所述水下摄像机的上 方。 6.根据权利要求2所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述水 下摄像机和所述水 下照明灯均经固定 板固定于鱼池侧壁上； 与所述固定 板相对的所述鱼池侧壁上固定有补光板 。 7.根据权利要求2所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统， 其特征在于： 所述数据采集模块还包括分别用于采集水体中的温度、 氧含量和压力的温 度传感器、 氧气含量传感器和压力传感器。 8.一种基体上述权利要求1 ‑7任一项所述的基于可变形卷积和边缘特征学习的轻量化 鱼类识别系统的方法， 其特 征在于： 包括以下步骤： S1、 水下摄像机录制包含鱼群信息的视频， 而后经数据传输单元传输至数据存储单元 中存储； S2、 数据存储单元将包含鱼群信息的视频发送至数据接收单元， 数据接收单元将其转 发至处理器； S3、 处理器处理 S31、 将发送到处 理器的包 含鱼群信息的视频进行视频抽帧处 理， 得到鱼群图片； S32、 使用Label img标注工具对鱼群图片上的鱼体进行 标注； S33、 通过融合CBAM注意力机制模块 的YoloV4 ‑Tiny主干网络学习 鱼类特征， 利用Adam 优化算法进行训练， 得到最优鱼体 检测模型和单体鱼图片； S34、 找出同一条鱼的不同图片， 对图片进行编号， 按类别放入不同文件夹作为训练数 据集； S35、 通过LIFRNet主干网络学习鱼体特征， 并且利用Adam优化算法进行训练， 得到最优 鱼类识别模型；权　利　要　求　书 1/2 页 2 CN 115546193 A 2而后输入大小为112 ×112×3的单体鱼图片， 经过LIFRNet主干网络后得到一个1 ×1× 512的特征向量， 采用Arcface损失函数进行反向传播， 经过特征距离计算得到鱼体图片的 相似度距离； 当距离小于1时， 判定是同一鱼体； 当距离大于等于1时， 则判定为两条不同的 鱼； S36、 对不同的鱼体赋予不同的识别 信息。 9.根据权利要求8所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系统 的方法， 其特 征在于： 步骤S34中使用1 ×1卷积加BN层的组合学习鱼体边 缘特征； 使用Mish 激活函数代替Relu。 10.根据权利要求8所述的一种基于可变形卷积和边缘特征学习的轻量化鱼类识别系 统的方法， 其特征在于： 步骤S35中的LIFRNet的主干网络共有29层， 分别为14层大小为3 ×3 的可变形卷积、 13层大小为3 ×3的深度可分离可变形卷积、 1层大小为1 ×1的标准卷积和1 层全连接层。权　利　要　求　书 2/2 页 3 CN 115546193 A 3