水生动物特征点检测方法、系统、计算机设备和存储介质与流程

本申请涉及动物特征点检测领域，尤其涉及一种水生动物特征点检测方法、系统、计算机设备和存储介质。

背景技术：

1、水生动物养殖过程信息化，智能化养殖是深海网箱养殖、工厂化养殖的发展趋势，是降低养殖成本、风险，提升养殖效率的有效手段。目前水生动物养殖过程的数据采集依靠人工，即通过养殖工人定时观察、抽检等方式，获取到的有效数据较少，并且该方式获取效率较低，无法获取完备的养殖过程数据，进而无法实现精细投料、鱼群数量估计、网箱破损估计、鱼病智能诊断等功能。

技术实现思路

1、本申请提供了一种水生动物特征点检测方法、系统、计算机设备和存储介质，以解决人工观察获取水生动物特征数据导致有效数据量较少、采集效率低的问题。

2、第一方面，本申请提供了一种水生动物特征点检测方法，所述方法包括：

3、对获取到的样本图片集进行个体特征点标注，得到动物特征点数据集，其中，所述样本图片集中包括多个存在目标水生动物的样本图片，所述动物特征点数据集包括各个所述样本图片中每个目标水生动物对应的特征点数据，特征点数据包括指示目标水生动物个体形状的多个特征点坐标；

4、利用所述动物特征点数据集构建动物形状模型以及先验形状数据集；

5、利用所述动物特征点数据集、所述先验形状数据集以及所述动物形状模型对预设检测网络进行训练处理，得到目标检测网络；

6、将待检测图片作为输入内容输入至所述目标检测网络中，并利用所述动物形状模型对所述目标检测网络的输出内容进行解码处理，得到解码结果；

7、对所述解码结果进行非极大值抑制处理，得到所述待检测图片中目标水生动物个体对应的特征点数据。

8、第二方面，本申请提供了一种水生动物特征点检测系统，所述系统包括：

9、标注模块，用于对获取到的样本图片集进行个体特征点标注，得到动物特征点数据集，其中，所述样本图片集中包括多个存在目标水生动物的样本图片，所述动物特征点数据集包括各个所述样本图片中每个目标水生动物对应的特征点数据，特征点数据包括指示目标水生动物个体形状的多个特征点坐标；

10、预处理模块，用于利用所述动物特征点数据集构建动物形状模型以及先验形状数据集；

11、训练模块，用于利用所述动物特征点数据集、所述先验形状数据集以及所述动物形状模型对预设检测网络进行训练处理，得到目标检测网络；

12、检测模块，用于将待检测图片作为输入内容输入至所述目标检测网络中，并利用所述动物形状模型对所述目标检测网络的输出内容进行解码处理，得到解码结果；

13、抑制模块，用于对所述解码结果进行非极大值抑制处理，得到所述待检测图片中目标水生动物个体对应的特征点数据。

14、第三方面，本申请提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述水生动物特征点检测方法。

15、第四方面，本申请还提供了一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述水生动物特征点检测方法。

16、本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，对获取到的样本图片集进行个体特征点标注，得到动物特征点数据集，其中，所述样本图片集中包括多个存在目标水生动物的样本图片，所述动物特征点数据集包括各个所述样本图片中每个目标水生动物对应的特征点数据，特征点数据包括指示目标水生动物个体形状的多个特征点坐标；利用所述动物特征点数据集构建动物形状模型以及先验形状数据集；利用所述动物特征点数据集、所述先验形状数据集以及所述动物形状模型对预设检测网络进行训练处理，得到目标检测网络；将待检测图片作为输入内容输入至所述目标检测网络中，并利用所述动物形状模型对所述目标检测网络的输出内容进行解码处理，得到解码结果；对所述解码结果进行非极大值抑制处理，得到所述待检测图片中目标水生动物个体对应的特征点数据。

17、基于上述方法，通过对样本图片集中的样本图片针对目标水生动物进行特征点标记，以提取出动物特征点数据集，再利用动物特征点数据集构建动物形状模型以及先验形状数据集，通过动物形状模型来约束目标水生动物可能出现的形状，以使预设检测网络结合先验形状数据集学习目标水生动物的外表和形状特征得到目标检测网络，再利用学习好的目标检测网络自动检测待检测图片中水生动物个体及其特征点坐标，避免目标检测网络输出偏离目标水生动物形状差异较大的特征点，相较于现有的深度学习特征点检测方法，提高了个体目标及其特征点检测准确率。

技术特征：

1.一种水生动物特征点检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，利用所述动物特征点数据集构建动物形状模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述对齐特征点数据集进行奇异值分解处理，得到第一分解结果，包括：

4.根据权利要求2所述的方法，其特征在于，所述按照预设姿态调整方案对所述无迹变换数据集中的各个特征点坐标进行调整，得到特征增强数据集之前，所述方法还包括：

5.根据权利要求2所述的方法，其特征在于，所述对所述特征增强数据集进行奇异值分解处理，得到第二分解结果，包括：

6.根据权利要求5所述的方法，其特征在于，对所述特征增强数据集中的各个所述目标水生动物的特征点数据进行均值计算，得到第二均值数据之后，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，利用所述动物特征点数据集、所述先验形状数据集以及所述动物形状模型对预设检测网络进行训练处理，得到目标检测网络，包括：

8.根据权利要求7所述的方法，其特征在于，将所述特征增强数据集划分为多个子训练集依次输入至所述预设检测网络中，并将所述预设检测网络的输出内容结合所述正样本形状编码确定所述预设检测网络的损失函数值，包括：

9.一种水生动物特征点检测系统，其特征在于，所述系统包括：

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。

技术总结
本申请涉及一种水生动物特征点检测方法、系统、计算机设备和存储介质。所述方法包括：通过对样本图片集中的样本图片针对目标水生动物进行特征点标记，以提取出动物特征点数据集，再利用动物特征点数据集构建动物形状模型以及先验形状数据集，通过动物形状模型来约束目标水生动物可能出现的形状，以使预设检测网络结合先验形状数据集学习目标水生动物的外表和形状特征得到目标检测网络，再利用学习好的目标检测网络自动检测待检测图片中水生动物个体及其特征点坐标，避免目标检测网络输出偏离目标水生动物形状差异较大的特征点，相较于现有的深度学习特征点检测方法，提高了个体目标及其特征点检测准确率。

技术研发人员：李根,黄小华,练安姬,要紫丹,庞国良,袁太平,陶启友,胡昱
受保护的技术使用者：中国水产科学研究院南海水产研究所
技术研发日：
技术公布日：2024/5/10