一种基于ResNet算法的膨腹海马生长状态检测方法

本发明涉及膨腹海马图像识别，具体涉及一种基于resnet算法的膨腹海马生长状态检测方法。

背景技术：

1、海马是一味常用名贵动物类中药材，具有温肾壮阳、散结消肿的功效。膨腹海马(hippocampus abdominalis),又称大腹海马，具有抗病力强、苗种培育成活率高的特点，适合国内推广养殖。经多方调查，市售海马养殖所需成本主要集中在喂食及水质更换等方面，为提高单位养殖面积内海马的经济价值，需要根据海马体重的增长规律，确定海马养殖周期，进而在海马体重趋于稳定或进入稳定期后进行销售。据调查，大约80％到90％的膨腹海马体重增长进入稳定期前后，会在头冠出长出“头须”。因此在实际养殖中，养殖员会采用简单随机抽样的方式来评估养殖池中海马的生长发育情况并判断膨腹海马体重增长是否趋于稳定阶段。但是人工操作会存在以下几个问题：

2、(1)单次简单随机抽样的样本数量较少，每日同一时间段内随机检测次数有限，使得每日检测的总样本数有限，根据统计学原理，无法利用少量样本准确推测总体特征，即通过人工随机捕捞的方式无法准确判断养殖池中的海马群体是否进入体重稳定期。

3、(2)除此之外在实际操作过程中无法做到完全随机，人工捕捞时的站位和下网深度都不符合简单随机抽样的原则。

4、(3)人工随机检测过程中，海马从水温进入室温时，环境温度骤变会造成海马瞬间呼吸急促，多日反复的随机检测使得海马体质下降，因此无法长期频繁的采用人工随机捕捞的方式对海马体重的增长情况进行实时检测。

技术实现思路

1、为了为了克服目前实际养殖过程中，随机捕捞存在的样本量小、无法完全随机以及温度骤变造成海马死亡的问题而提出的一种基于resnet算法的膨腹海马生长状态检测方法，所述方法包括：

2、获取第一训练图像和第二训练图像，所述第一训练图像和所述第二训练图像包括第一特征和第二特征，所述第一特征为头冠上长有头须，所述第二特征图像为头冠上未长头须；

3、将所述第一训练图像和所述第二训练图像输入至深度残差模型进行训练，得到训练好的resnet模型；

4、将检测图像输入所述训练好的resnet模型中进行生长状态的检测，得到检测结果。

5、可选的，获取所述第一训练图像和第二训练图像的过程具体包括：

6、采集膨腹海马的图像作为原始图像，对所述原始图像进行尺寸缩放和数据增强，得到预处理图像，所述预处理图像包含所述第一训练图像和所述第二训练图像。

7、可选的，图像分类模型的训练流程具体包括：

8、将所述第一训练图像和所述第二训练图像输入resnet的第一卷积阶段，改变所述第一训练图像和所述第二训练图像的通道数与大小，得到第一处理图像；

9、将所述第一处理图像输入第二卷积阶段进行卷积，卷积过程中添加跳跃连接提取卷积图像的膨腹海马的基本特征，将第二次卷积后的图像进行batch no rmalization和relu激活函数处理，得到第二处理图像；

10、将所述第二处理图像输入第三卷积阶段进行卷积，提取第三次卷积后的细节特征，得到第三处理图像；

11、s34.将所述第三处理图像输入第四卷积阶段进行卷积，整合基本特征和细节特征，得到第四处理图像；

12、将所述第四处理图像输入第五卷积阶段进行卷积，提取语义信息，得到第五处理图像；

13、将所述第五处理图像出入全局平均池化层进行池化，得到所述第一训练图像和所述第二训练图像中头冠上长有头须和未长头须的概率；

14、可选的，将所述第一训练图像和所述第二训练图像输入resnet的第一卷积阶段，改变所述第一训练图像和所述第二训练图像的通道数与大小，得到第一处理图像的内容具体包括：

15、所述第一训练图像和所述第二训练图像经过核大小为7×7，步长为2，填充为3，输出通道数为64的卷积操作，图像大小从3×224×224变为64×112×112；

16、传入最大池化层进行核大小为3×3，步长为2，填充为1的最大池化操作，得到大小为64×56×56的第一处理图像。

17、可选的，将所述第一处理图像输入第二卷积阶段进行卷积，卷积过程中添加跳跃连接提取卷积图像的膨腹海马的基本特征，将第二次卷积后的图像进行b atchnormalization和relu激活函数处理，得到第二处理图像的内容具体包括：

18、将所述第一处理图像输入2个残差块，其中，每个残差块有两个卷积层，所述第一处理图像依次进行4次核大小为3，步长为1，填充为1，核数量为64的卷积操作；输入和输出大小不变，都为64×56×56；

19、每次卷积后进行batch normalization(bn)和relu激活函数处理；

20、两个卷积块分别有一个跳跃连接操作，将残差块的输入直接添加到残差块的输出，得到第二处理图像，所述第二处理图像包含膨腹海马图像的基本特征，如边缘、角点、颜色和纹理。

21、可选的，将所述第二处理图像输入第三卷积阶段进行卷积，提取第三次卷积后的细节特征，得到第三处理图像的内容具体包括：

22、将所述第二处理图像输入2个残差块，其中，每个残差块有两个卷积层，所述第二处理图像依次进行4次卷积操作：

23、第一次卷积核大小为3，步长为2，填充为1，核数量为128，输入大小为64×56×56，输出大小为128×28×28；

24、后续三次卷积核大小为3，步长为1，填充为1，核数量为128，输入和输出大小不变，均为128×28×28；

25、每次卷积后进行batch normalization和relu激活函数处理；两个卷积块分别有一个跳跃连接操作，将残差块的输入直接添加到残差块的输出；

26、由于第一个卷积块的输入和输出大小不同，第一个卷积块的跳跃连接会进行一次核大小为1×1，步长为2，核数量为128的卷积进行下采样，将输入大小为64×56×56的变成128×28×28；

27、卷积后执行一次batch normalization操作。提取复杂的细节特征，得到第三处理图像。

28、可选的，将所述第三处理图像输入第四卷积阶段进行卷积，整合基本特征和细节特征，得到第四处理图像的内容具体包括：

29、将所述第三处理图像输入2个残差块，其中，每个残差块有两个卷积层，所述第三处理图像依次进行4次卷积操作：

30、第一次卷积核大小为3，步长为2，填充为1，核数量为256，输入大小为128×28×28，输出大小为256×14×14；

31、后续三次卷积核大小为3，步长为1，填充为1，核数量为256，输入和输出大小不变，均为256×14×14；

32、每次卷积后进行batch normalization和relu激活函数处理；两个卷积块分别有一个跳跃连接操作，将残差块的输入直接添加到残差块的输出；

33、第一个卷积块的跳跃连接会进行一次核大小为1×1，步长为2，核数量为256的卷积进行下采样，将输入大小为128×28×28的变成256×14×14；

34、卷积后执行一次batch normalization操作，融合基本特征与细节特征，得到第四处理图像。

35、可选的，将所述第四处理图像输入第五卷积阶段进行卷积，提取语义信息，得到第五处理图像的内容具体包括：

36、将第四处理图像输入2个残差块，其中，每个残差块有两个卷积层，所述第四处理图像依次进行4次卷积操作：

37、第一次卷积核大小为3，步长为2，填充为1，核数量为512，输入大小为256×14×14，输出大小为512×7×7；

38、后续三次卷积核大小为3，步长为1，填充为1，核数量为512，输入和输出大小不变，都为512×7×7；每次卷积后进行batch normalization和relu激活函数处理；

39、两个卷积块分别有一个跳跃连接操作，将残差块的输入直接添加到残差块的输出：第一个卷积块的跳跃连接会进行一次核大小为1×1，步长为2，核数量为512的卷积进行下采样，将输入大小为256×14×14的变成512×7×7；

40、卷积后执行一次batch normalization操作，获得包含有语义特征的第五处理图像。

41、与现有技术相比，本发明的有益效果为：

42、本发明采用resnet-18模型对膨腹海马的图像进行分类，该模型通过残差块设计，有效解决了深度神经网络中的梯度消失问题，同时在图像预处理环节中，通过图像缩放及数据增强等操作，使得模型具有较强的鲁棒性和泛化能力，进而实现了膨腹海马图像中有无“头须”的自动化、精确化的识别；与人工检测相比，以深度学习模型为架构能够自动学习样本数据的内在规律，做到对特征的自动提取，排除人为因素对分类的主观影响，实现客观、严谨准确的分类；通过对每次训练得到的模型的准确率进行评估，确保了模型的最优性能，使用测试集对模型的泛化能力进行评估，保证了模型在实际应用中的可靠稳定。