鱼类表型数据的测量方法、装置、电子设备及存储介质与流程

本发明实施例涉及鱼类表型数据的测量，尤其涉及一种鱼类表型数据的测量方法、装置、电子设备及存储介质。

背景技术：

1、在人工水产品养殖的过程中，水产生物的一系列“表型数据”是养殖者进行喂养、配种、差别分级等进行相关研究的主要信息。它不仅反映了鱼类个体的生长状况，也在基因育种等相关研究中发挥了重要作用。研究人员根据个体鱼类的“表型数据”，能够得到个体鱼的生长状况和发育状态，进而制定养殖策略，提高经济效益。

2、现有的鱼类表型数据测量方法多依赖于鱼体外形的整体拍摄，通过图像处理技术进行分析。然而，由于鱼体在拍摄过程中可能出现运动、或者不同鱼体形态的差异，常常导致测量数据的准确性较低，影响到科研和养殖策略制定的效果。因此，如何精准测量鱼类表型数据成为亟待解决的问题。

技术实现思路

1、鉴于此，为解决上述技术问题或部分技术问题，本发明实施例提供一种鱼类表型数据的测量方法、装置、电子设备及存储介质。

2、第一方面，本发明实施例提供一种鱼类表型数据的测量方法，包括：

3、获取目标鱼类的多张目标图像；

4、基于预训练完成的鱼体关键点识别模型识别每张目标图像中鱼体对应的多个关键点，其中，所述多个关键点中包括尾柄上关键点和尾柄下关键点；

5、以所述尾柄上关键点和尾柄下关键点为镜像对称确定鱼身水平线；

6、将所述尾柄上关键点和尾柄下关键点进行连接，得到垂直线；

7、基于所述鱼身水平线和垂直线分别计算目标关键点在所述鱼身水平线和垂直线上的投影数据，其中，所述目标关键点为吻端、鳃盖骨后缘、头部最高点、峡部、背缘最高点、腹缘最低点、尾鳍末端、尾椎骨后缘、眼前缘、眼后缘、胸鳍起点、胸鳍基部末端、腹鳍起点、腹鳍基部末端、臀鳍起点、臀鳍基部后端、臀鳍外缘、背鳍起点、背鳍基部后端、背鳍外缘中的至少一种；

8、基于所述投影数据计算所述目标鱼类对应的目标表型数据，其中，不同目标表型数据的计算对应于不同的目标关键点。

9、在一个可能的实施方式中，所述方法还包括：

10、所述目标表型数据至少包括全长、体长、体高、吻长、头长、头高、尾柄长、尾柄高、尾鳍长、眼后头长、眼径、背鳍前距、背鳍后距，所述目标表型数据包括第一类型表型数据、第二类型表型数据以及第三类型表型数据；

11、所述基于所述投影数据计算所述目标鱼类对应的目标表型数据，包括：

12、基于第一公式计算第一类型表型数据，所述第一类型表型数据为所述全长、体长、吻长、头长、尾柄长、尾鳍长、眼后头长、眼径、背鳍前距、背鳍后距中的任一种，所述第一公式为：

13、其中，a为第一类型表型数据，尾柄上关键点坐标为a(x7,y7)，尾柄下关键点坐标为b(x8,y8)，x为待计算的目标表型数据所需的目标关键点的横坐标差值，y为待计算的目标表型数据所需的目标关键点的纵坐标差值。

14、在一个可能的实施方式中，所述方法还包括：

15、基于第二公式计算第二类表型数据，所述第二类表型数据为所述体高和头高中的任一种，所述第二公式为：

16、其中，b为第二类表型数据，尾柄上关键点坐标为a(x7,y7)，尾柄下关键点坐标为b(x8,y8)，x为待计算的目标表型数据所需的目标关键点的横坐标差值，y为待计算的目标表型数据所需的目标关键点的纵坐标差值。

17、在一个可能的实施方式中，所述方法还包括：

18、基于第三公式计算第三类表型数据，所述第三类表型数据为所述尾柄高，所述第三公式为：

19、其中，c为第三类表型数据，尾柄上关键点坐标为a(x7,y7)，尾柄下关键点坐标为b(x8,y8)。

20、在一个可能的实施方式中，所述方法还包括：

21、采集不同鱼类的不同姿态和角度的多张图像，得到每种目标鱼类对应的多张目标图像；

22、对所述每种目标鱼类对应的多张目标图像进行鱼体关键点标注，得到标注完成的样本图像集，其中，所述鱼体关键点中包括尾柄上关键点和尾柄下关键点；

23、将所述样本图像集中每种目标鱼类对应的多张目标图像分成模型训练图像和模型测试图像，得到模型训练图像集和模型测试图像集；

24、基于所述模型训练图像集对cspnext骨干网络模型进行深度学习训练，并基于所述模型测试图像集对深度学习训练后的cspnext骨干网络模型进行测试；

25、若测试结果满足预设条件，则确定cspnext骨干网络模型训练完成，将训练完成的cspnext骨干网络模型作为鱼体关键点识别模型。

26、在一个可能的实施方式中，所述方法还包括：

27、将深度学习训练后的cspnext骨干网络模型对所述模型测试图像集进行关键点标注的结果与人工关键点标注的结果进行对比，得到对比结果；

28、当所述对比结果为模型标注的准确度达到预设阈值时，确定所述cspnext骨干网络模型训练完成，将训练完成的cspnext骨干网络模型作为鱼体关键点识别模型。

29、在一个可能的实施方式中，所述方法还包括：

30、基于预训练完成的鱼类识别模型识别所述多张目标图像对应的目标鱼类的目标类型。

31、第二方面，本发明实施例提供一种鱼类表型数据的测量装置，包括：

32、获取模块，用于获取目标鱼类的多张目标图像；

33、识别模块，用于基于预训练完成的鱼体关键点识别模型识别每张目标图像中鱼体对应的多个关键点，其中，所述多个关键点中包括尾柄上关键点和尾柄下关键点；

34、测量模块，用于以所述尾柄上关键点和尾柄下关键点为镜像对称确定鱼身水平线；将所述尾柄上关键点和尾柄下关键点进行连接，得到垂直线；基于所述鱼身水平线和垂直线分别计算目标关键点在所述鱼身水平线和垂直线上的投影数据，其中，所述目标关键点为吻端、鳃盖骨后缘、头部最高点、峡部、背缘最高点、腹缘最低点、尾鳍末端、尾椎骨后缘、眼前缘、眼后缘、胸鳍起点、胸鳍基部末端、腹鳍起点、腹鳍基部末端、臀鳍起点、臀鳍基部后端、臀鳍外缘、背鳍起点、背鳍基部后端、背鳍外缘中的至少一种；基于所述投影数据计算所述目标鱼类对应的目标表型数据，其中，不同目标表型数据的计算对应于不同的目标关键点。

35、第三方面，本发明实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的鱼类表型数据的测量程序，以实现上述第一方面中所述的鱼类表型数据的测量方法。

36、第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的鱼类表型数据的测量方法。

37、本发明实施例提供的鱼类表型数据的测量方案，通过获取目标鱼类的多张目标图像；基于预训练完成的鱼体关键点识别模型识别每张目标图像中鱼体对应的多个关键点，其中，所述多个关键点中包括尾柄上关键点和尾柄下关键点；以所述尾柄上关键点和尾柄下关键点为镜像对称确定鱼身水平线；将所述尾柄上关键点和尾柄下关键点进行连接，得到垂直线；基于所述鱼身水平线和垂直线分别计算目标关键点在所述鱼身水平线和垂直线上的投影数据，其中，所述目标关键点为吻端、鳃盖骨后缘、头部最高点、峡部、背缘最高点、腹缘最低点、尾鳍末端、尾椎骨后缘、眼前缘、眼后缘、胸鳍起点、胸鳍基部末端、腹鳍起点、腹鳍基部末端、臀鳍起点、臀鳍基部后端、臀鳍外缘、背鳍起点、背鳍基部后端、背鳍外缘中的至少一种；基于所述投影数据计算所述目标鱼类对应的目标表型数据，其中，不同目标表型数据的计算对应于不同的目标关键点。相比于现有的鱼类表型数据测量方法多依赖于鱼体外形的整体拍摄，无法避免鱼体在拍摄过程中出现运动、或者不同鱼体形态的差异，导致测量数据的准确性较低的问题。由本方案，通过精准标注鱼尾柄上关键点和尾柄下关键点以此来计算鱼类表型数据，能够减少鱼体形态测量中的误差，提高鱼类表型数据的测量精度，为鱼类形态学研究和水产养殖管理提供更加准确和可靠的数据支持，提升科研和生产效率。