基于深度学习的锦鲤筛选方法及装置与流程

本发明属于计算模式识别技术领域，特别是一种基于深度学习的锦鲤筛选方法及装置。

背景技术：

深度学习是机器学习理论中的一个新的研究领域，是人工智能领域的延伸，其动机在于建立、模拟人脑的机制来解释数据，并进行分析学习的人工神经网络。深度学习优势在于通过构建具有多隐层的机器学习模型和经过海量训练的数据来学习更有用的特征，从而最提升分类或预测的准确性。对于互联网领域的图片分类、声音识别和文本信息筛选等方面有着广泛的应用，但在渔业方面特别是锦鲤苗种特征识别却未涉及。

目前，国内现有锦鲤养殖企业缺乏具有专业筛选经验的技术人员，将繁殖出来的锦鲤全部养殖，导致生产水面负荷过大，生产成本过高，单位面积产值过低，造成极大的浪费，达不到应有的经济效益。而在自然环境中锦鲤每年4-5月产卵，通过人工繁育的介入，每年的各个阶段锦鲤都可以进行繁殖。由于其遗传性状的不稳定，导致体色在颜色及分布位置上的多变。这使得锦鲤的在体型及体色等性状上存在等级差异，而优质等级锦鲤又具有巨大市场需求。一对成熟亲本每年可产苗种5-10万尾，苗种产量非常高，但达到品级的锦鲤只占10％，每年耗费大量的人工进行筛选，劳动强度大、精准率低、失误率高，严重制约品级优质锦鲤的产量，无法满足市场需求。在渔业方面海量的锦鲤图片信息为“深度学习”技术应用提供了大量训练数据。

技术实现要素：

本发明所解决的技术问题在于提供一种基于深度学习的锦鲤筛选方法及系装置，以解决锦鲤苗种难以筛选的问题，提高筛选精准度，减少人工使用，降低养殖企业对专业技术人员的依赖。

实现本发明目的的技术解决方案为：

一种基于深度学习的锦鲤筛选方法，该方法包括以下步骤：

s1：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量；

s2：使用训练样本对深度信念网络(dbn)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；

s3：将训练后深度信念网络dbn输出作为支持向量机svm分类器的输入，对svm分类器的进行训练，并得到相应的svm分类器参数；

s4：使用训练后的svm分类器进行锦鲤分类。

本发明与现有技术相比，其显著优点：

(1)训练过程中，每次只训练一层rbm的方式可以确保特征向量在映射到不同特征空间时，能够尽可能多的保留特征信息。

(2)本发明所采用的深度信念(dbn)网络和支持向量机(svm)分类器组合成的深度学习网络模型，能够充分提取锦鲤图像特征，实现优次锦鲤两种分类识别输出。

(3)本发明所采用逐层初始化的方法可以有效克服dbn利用bp算法训练模型时由于随机初始化权值参数而导致的训练时间长、局部最优问题。

(4)采用本发明的筛选方法能够有效的将优质锦鲤筛选出来，能够有效的降低人工成本。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的基于深度学习的锦鲤筛选方法的流程图。

图2是本发明的基于深度学习锦鲤筛选装置整体示意图。

图3是本发明采用的深度信念网络(dbn)模型示意图。

具体实施方式

结合图1、图2，本发明的一种基于“深度学习”的锦鲤筛选方法包括以下步骤：

s1：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量(训练样本)；

其中，预设量可以根据实际需要，通过图像采集单元(照相机)采集锦鲤体色及背部花斑特征图像，进行中心化和尺寸标准化的归一化处理预处理操作，每张图像均被处理为大小为32×32(即1024像素)，并保证图像特征向量维数与输入层的随机单元数相同(设置单元数为1024)；输出层的输出单元个数可与待分类数据样本的类别数相同(分为优、次锦鲤两类，故设置为2)。

s2：使用训练样本对深度信念网络(dbn)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；

其中，无监督训练采用贪婪无监督学习算法对各层受限玻尔兹曼机(rbm)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层rbm的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数等；

有监督微调则通过叠加在深度信念网络dbn顶层的误差反向传播算法bp网络接收顶层rbm训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用bp算法自顶向下的微调深度信念网络dbn网络的参数，最后输出经训练后提取的训练样本的特征向量。

有监督微调采用的是有优次锦鲤标签训练样本，预先假设图像样本集x，并表示为：x＝[x¹，x²，......x^l+d]；

x表示图像样本，样本总数为l+u，l和u分别表示有标签样本的个数和无标签样本的个数，样本经归一化处理之后的特征向量的维度为d。

将l个有标签样本的标签矩阵y表示为：y＝[y¹，y²，......y^l]；

yⁱ表第i个有标签样本数据的标签向量，y是一个l×d的矩阵。样本类别数为2，则可定义为：

j表示有标签样本所属的类别。当表示，第i个有标签样本属于第j类；当表示第i有标签样本不属于第j类。

其中，深度信念网络dbn训练过程中初始学习率的选取采用变化的学习率代替全局的学习率来对网络进行训练，即学习率的大小根据网络的实际训练情况确定：具体是先设定一个初始学习率，若一次迭代后重构误差减小或者不变，则学习率保持不变，继续进行下一次迭代；若经过一次迭代后重构误差增大，则将学习率乘以一个小于1的常数，使得学习率减小。

s3：将训练后深度信念网络dbn输出作为支持向量机svm分类器的输入，对svm分类器的进行训练，并得到相应的svm分类器参数；

分类器训练将训练后深度信念网络dbn输出锦鲤图像特征向量，将锦鲤图像特征向量输入支持向量机svm分类器进行训练，得到优、次锦鲤两种分类识别输出的相应svm参数，完成最终网络模型的训练。

s4：使用训练后的svm分类器进行锦鲤分类识别(锦鲤特征识别)。

分类识别是通过使用训练后的分类器进行优次锦鲤的识别结果输出，接受分类结果输出信息通过控制指令对锦鲤进行分类操作。

结合图3，本发明的基于深度学习的锦鲤筛选方法，提出了一种锦鲤锦鲤筛选装置，包括采集模块、深度网络训练模块、分类器训练模块、分类控制模块；

采集模块：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量。

其中，预设量可以根据实际需要，通过图像采集单元(照相机)采集锦鲤体色及背部花斑特征图像，进行中心化和尺寸标准化的归一化处理预处理操作，每张图像均被处理为大小为32×32(即1024像素)，并保证图像特征向量维数与输入层的随机单元数相同(设置单元数为1024)；输出层的输出单元个数可与待分类数据样本的类别数相同，分为优、次锦鲤两类，故设置为2(优、次锦根据实际需要进行设定)。

深度网络训练模块：使用训练样本对深度信念网络(dbn)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；

深度网络训练模块包括无监督训练单元、有监督微调单元；

无监督训练单元：采用贪婪无监督学习算法对各层受限玻尔兹曼机(rbm)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层rbm的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数等；

有监督微调单元：通过叠加在深度信念网络dbn顶层的误差反向传播算法bp网络接收顶层rbm训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用bp算法自顶向下的微调深度信念网络dbn网络的参数，最后输出经训练后提取的训练样本的特征向量；

有监督微调采用的是有优次锦鲤标签训练样本，预先假设图像样本集x，并表示为：x＝[x¹，x²，......x^l+d]。

x表示图像样本，样本总数为l+u，l和u分别表示有标签样本的个数和无标签样本的个数，样本经归一化处理之后的特征向量的维度为d。

将l个有标签样本的标签矩阵y表示为：y＝[y¹，y²，......y^l]；

yⁱ表第i个有标签样本数据的标签向量，y是一个l×d的矩阵。样本类别数为2，则可定义为：

j表示有标签样本所属的类别。当表示，第i个有标签样本属于第j类；当表示第i有标签样本不属于第j类。

其中，深度信念网络dbn训练过程中初始学习率的选取采用变化的学习率代替全局的学习率来对网络进行训练，即学习率的大小根据网络的实际训练情况确定：具体是先设定一个初始学习率，若一次迭代后重构误差减小或者不变，则学习率保持不变，继续进行下一次迭代；若经过一次迭代后重构误差增大，则将学习率乘以一个小于1的常数，使得学习率减小。

分类器训练模块：将训练后深度信念网络dbn输出作为支持向量机svm分类器的输入，对svm分类器的进行训练，并得到相应的svm分类器参数。

分类器训练将训练后深度信念网络dbn输出锦鲤图像特征向量，将锦鲤图像特征向量输入支持向量机svm分类器进行训练，得到优、次锦鲤两种分类识别输出的相应svm参数，完成最终网络模型的训练。

分类控制模块：使用训练后的svm分类器进行锦鲤分类；分类控制模块包括分类单元和控制单元。

分类识别单元：通过使用训练后的分类器进行优次锦鲤的识别结果输出。

控制单元：接受分类结果输出信息通过控制指令对锦鲤进行分类操作。

虽然本发明已经以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。