(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 202211358973.3 (22)申请日 2022.11.02 (71)申请人 青岛杰瑞工控技 术有限公司 地址 266071 山东省青岛市 市南区山 东路 27号东栋101室 (72)发明人 贺保卫　魏立明　张忠岩　崔海朋　 刘鲁西　马志宇　沈炜皓　徐东阳　 姜英昌　田贺　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 贺敬虹 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自适应归一化的细粒度鱼类疫病 识别融合 算法 (57)摘要 本发明公开了一种基于自适应归一化的细 粒度鱼类疫病识别融合算法， 包括开展数据采集 工作， 形成细粒度鱼类疫病识别数据集； 将数据 集中二维图像输入到CNN网络中， 利用CNN网络对 鱼类图像进行特征提取， 得到二维数据特征图； 将二维数据特征图输入到Vision  Transformer 网络， 通过嵌入层得到带有位置编码信息的特征 数据一维向量信息； 将带有位置编码信息的特征 数据一维向量信息输入到Transformer编码层 中， 进行编码模块操作， 将数据通过全连接输出 带有类别特征的数字向量。 本发 明模型的泛化能 力高， 鲁棒性好， 有效解决鱼类疫病识别准确率 低， 人工识别效率低的问题。 权利要求书3页 说明书7页 附图3页 CN 115471724 A 2022.12.13 CN 115471724 A 1.一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其特征在于： 包括如下步 骤： 步骤1， 开展数据采集工作， 形成细粒度鱼类疫病识别数据集； 步骤2， 将步骤1所得的数据集中二维图像输入到CNN网络中， 利用CNN网络对鱼类图像 进行特征提取， 得到二维数据特 征图； 步骤3， 将步骤2所得的二维数据特征图输入到Vision  Transformer网络， 通过嵌入层 得到带有位置编码信息的特 征数据一维向量信息； 步骤4， 将步骤3所得的带有位置编码信息的特征数据一维向量信息输入到 Transformer编码层中， 进行编码模块操作， 通过自适应组归一化操作， 将不同变化范围的 数据计算为固定范围， 采用全局交互算法对不同数字特征提供不同注意力， 通过分配不同 的权重， 最后对特 征图进行叠加生成能分辨 不同疫病类别的特 征图； 步骤5， 将步骤4所得的数据通过全连接输出带有类别特征的数字向量， 即输出特定类 别的健康鱼或 感染鱼。 2.根据权利要求1所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述 步骤1具体包括： 步骤1.1， 对鱼类的皮肤、 鳃、 眼睛或鳞片上的可 见痕迹进行图像处 理； 步骤1.2， 对所有分类不一致的图像进行分析， 剔除不能得到代表性的图像， 将数据集 按4:1随机分为训练集和 测试集。 3.根据权利要求1所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述 步骤3具体包括： 步骤3.1， 嵌入层将二维数据 特征图分为若干个相同大小的块， 通过线性映射生成一维 特征向量； 步骤3.2， 添加类别向量， 与 步骤2所得的二维数据特征图叠加， 添加一个块作为分类的 额外块； 步骤3.3， 添加位置嵌入， 对步骤3.1中每一个块进行位置编码确定不同块的位置信息， 具体公式如下： 其中，PEpos,2i、PEpos,2i+1表示位置矩阵， pos表示向量的某一具体位置， dmodel表示维度， 具 体某一个维度。 4.根据权利要求1所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述步骤4中编 码模块包括自适应组归一化层、 多头注 意力机制、 全连接输出、 丢 弃模块。 5.根据权利要求4所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述自适应组归一化层通过控制参数 来控制批归一化层与组归一化层 分配比 例， 具体公式如下：权　利　要　求　书 1/3 页 2 CN 115471724 A 2其中，x表示模型的输入， R为Relu激活函数， 为组归一化方式计算的输入变量 x的 均值， 为组归一化方式计算 的输入变量 x的方差， 表示组归一化计算 的输出； 表 示批归一化方式计算的输入变量 x的均值， 表示批归一化方式计算的输入变量 x的方 差， 表示批归一 化计算的输出； 表示比例参数， 表示移动参数， 表示模型的输出。 6.根据权利要求5所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 当批数据量较小时采用组归一化方式训练结果更好， 根据公式提出 的归一层会 自动增加控制参数 比重， 只使用组归一化输出； 批数据量较大时采用批归一化方式训练 结果更好， 根据公式提出的归一化层会自动减少控制参 数 比重， 通过调整比例参数 和移 动参数 在提出的归一 化层中进行恒等变换。 7.根据权利要求4所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述多头注意力机制基于特征图对所有像素 的全局交互建立算法模型， 对不同 序列进行注意力运 算。 8.根据权利要求7所述的一种基于自适应归一化的细粒度鱼类疫病识别融合算法， 其 特征在于， 所述多头注意力机制具体运算过程包括： 加强多个头部相互作用的学习， 头部能 够共享学习， 将归一 化后的特 征输入到多头注意力机制中， 具体公式如下： 其中，qm，km，vm分别是输入序列 xm与q的权重矩阵 Wq、k的权重矩阵 Wk、v的权重矩阵 Wv相乘 所得的变换矩阵， q表示匹配其他， k表示待匹配， v表示待提取信息， 变换矩阵 qm与变换矩阵 km做一定的点积运算得到 vm的权重矩阵， 然后将权重矩阵与 vm相乘并引入比例因子通过 softmax()函数， 最终将所 得的结果叠加得到注意力 bm。权　利　要　求　书 2/3 页 3 CN 115471724 A 3