1.一种基于深度学习的中华绒螯蟹品系识别方法,其特征在于,包括下列步骤:步骤1:拍摄各个品系的河蟹图片;
步骤2:使用labelme手工标注拍摄的图片,生成训练数据集;
步骤3:对训练集进行Mosaic数据增强,获得增强后的数据集,并计算自适应锚框;
步骤4:将增强后的数据集送入改进后的主干网络中进行特征提取;
所述改进后的主干网络包括transform模块、CSPNet网络和Mish激活函数,所述transform模块关注全局并建模全局间的像素关系;所述CSPNet网络将输入的向量拆成两个部分再进行融合,通过分块操作来降低计算量;所述Mish激活函数用来缓解模型不收敛的情况;
具体基于CSPDarknet53网络进行改进,将CSPDarknet53网络中,靠后的二个CSP模块修改为Swin Transformer模块;
步骤5:将步骤4中提取到的特征向量送入改进后的颈部网络进行特征融合,获得大、中、小三个尺度的特征向量;
所述改进后的颈部网络采用FPN+PAN的结构,FPN是自顶向下,将高层的强语义特征传递下来,对整个金字塔进行增强,PAN则是一个自底向上的金字塔,对FPN进行补充,将低层的强定位特征传递上去;
在大、中、小三个检测头之前,各添加了一个ShuffleAttention模块;
步骤6:将步骤5中得到的三个特征向量分别送入预测层中进行预测,得到预测结果;
步骤7:将预测结果与标注数据进行比对,根据损失函数计算损失值;
步骤8:迭代优化后获得训练好的模型;
步骤9:使用步骤8中得到的模型进行河蟹品系的预测;
步骤10:如果步骤9成功检测到了河蟹品系且置信度大于0.8,则视为检测成功,否则将此图片标记为检测失败,放入特定文件夹中交由人工处理。
2.如权利要求1所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,在使用labelme手工标注拍摄的图片的过程中,使用labelme框选出图片中蟹壳所在位置,并标记成对应类别。
3.如权利要求2所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,在所述预测层进行的为普通的卷积操作,最终获得一个一维向量,一维向量包括预测框中心点、预测框框高以及置信度信息。
4.如权利要求3所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,所述损失函数包括分类损失、定位损失和置信度损失三个部分,所述损失函数的表达式为其中N为检测层的个数,B是目标中心点落在先验框中的目标个数,Di是当前尺度对应的网格数,为边界框回归损失,为目标损失,为分类损失,λ1、λ2、λ3分别为三个权重参数。
5.如权利要求4所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,所述定位损失用来衡量预测框与真实框的误差情况,在定位损失过程中采用CIoULoss,CIoU Loss考虑了预测框与真实框的宽高比信息、真实框与预测框的IoU值以及真实框与预测框二者中心点的距离。
6.如权利要求5所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,分类损失与置信度损失采用的二元交叉熵损失函数,根据预测框的类别得分与真实框的类别得分二者来进行计算。
7.如权利要求6所述的基于深度学习的中华绒螯蟹品系识别方法,其特征在于,在迭代优化后获得训练好的模型的过程中,迭代轮数为300轮,batch-size设为6,使用cache images,优化器使用SGD。