(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221019873 3.5 (22)申请日 2022.03.02 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 王淑青　鲁濠　汤璐　鲁东林　 黄剑锋　金浩博　张子言　朱文鑫　 柯洋洋　张子蓬　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06V 10/762(2022.01) G06V 10/56(2022.01) G06V 10/44(2022.01) G06V 10/25(2022.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的小龙虾质量分级方法 (57)摘要 本发明公开一种基于神经网络的小龙虾质 量分级方法， 包括(1)采集构建小龙虾数据集， 将 其随机划分为训练集、 验证集及测试集； (2)针对 自采集数据图片， 在pytorch框架下利用鲸鱼算 法提高anchor检测框定位精度、 构建ResNet152 分类网络， 将改进后的模型进行数据训练并反复 验证测试， 对龙虾进行定位识别， 采用一种基于 距离的细化算法提取龙虾骨架， 按照姿态完成虾 尾形状分类， 完成新鲜度及颜色分类结果。 (3)采 用将龙虾图片进行二进制图像转换的方法， 计算 虾体像素点所占比重， 按阈值进行规格分类。 (4) 按照(2)和(3)的分类 结果进行不同等级的分拣。 本发明将深度学习 与图像处理技术融合， 对龙虾 的定位更加准确、 形态检测的精度更高， 速度更 快。 权利要求书4页 说明书12页 附图4页 CN 114863198 A 2022.08.05 CN 114863198 A 1.一种基于神经网络的小龙虾质量分级方法， 其特 征在于， 包括如下步骤： 步骤1， 获取小龙虾图像数据集， 并进行人工标注， 然后按一定比例划分为训练集与测 试集； 步骤2， 采用YOLOv5网络作 为检测模型用于定位小龙虾目标框区域， 并对小龙虾目标框 区域进行裁剪并进一步判断小 龙姿态及虾尾部形状， 根据小 龙虾虾尾的形状判断其质量是 否合格； 步骤3， 采用ResNet 152分类网络对合格的小龙虾图像进行颜色属性分类， 分为鲜 红、 暗 红两类； 步骤4， 对合格的小龙虾图像进行 大小属性分类， 共分为大、 中、 小三类； 步骤5， 待小龙虾颜色和大小分类任务均完成后， 统计小龙虾两种属性的类别， 将小龙 虾划分为 一级品、 二级品、 三级品和合格品。 2.如权利要求1所述的一种基于神经网络的小龙虾质量分级方法， 其特征在于： 步骤2 中利用YOLOv5网络将 输入的小 龙虾图像自动划分为S ×S格， 待测小龙虾的中心 坐标落在某 个网格中， 则网格负责检测小龙虾目标； 检测过程中， 每个S ×S网格单元预测N个检测 框， N 可根据具体数据集在参数中调整， 每个检测框包含5个预测值： x、 y、 w、 h以及置信度， 其中x、 y为检测框中心点 坐标， w、 h为检测框 宽度和高度。 3.如权利要求1所述的一种基于神经网络的小龙虾质量分级方法， 其特征在于： 步骤2 中采用YOLOv5网络 定位小龙虾目标框区域的具体实现方式如下； 通过基于K ‑mean和鲸鱼算法的自适应anchor计算方法改进YOLOv5网络中的anchor定 位， 具体如下； 将目标anc hor划分为K类聚类中心， 选取适应度函数为： 式中， boxi与centerj分别表示第i个目标框与第j个聚类中心， Dciou是CIOU距离公式， 对 于目标框与聚类中心逼近的距离， 采用CIOU的距离计算方式， 即当目标框与聚类中心无限 重合且宽高一 致的情况 下， 适应度最 好， 定位最为准确； 采用鲸鱼算法初始化种群并更新最优目标框， 初始化N个目标框的位置信息， 计算每一 个目标框的适应度， 并选取适应度最小的目标框假定为当前最优解， 随后进行下一次迭代， 直到达到适应度中止阈值完成筛 选； 目标框的逼近方式为逼近最优目标框位置， 其计算公式为： 式中， n为迭代次数， xin为当前迭代个体值， xbest为当前最优 目标框位置， A为多维均匀 分布的随机数， C为均匀分布在(0 ‑2)的随机数； 或者逼近随机目标框位置， 其计算公式为： 式中， xrand为随机位置的目标框； 最终得到最优的小龙虾目标框的中心点坐标以及宽、 高的归一化值(x， y， w， h)， 以此计权　利　要　求　书 1/4 页 2 CN 114863198 A 2算目标框的左上角以及右下角坐标， 计算公式为： 式中， (x1,y1)和(x2,y2)分别为目标框的左上角和右下角的坐标。 4.如权利要求1所述的一种基于神经网络的小龙虾质量分级方法， 其特征在于： 步骤2 中YOLOv5的损失函数由三个部分组成， 公式为： 式中， Lciou是边界框损失， 用于计算小龙虾预测框与真实框之间的偏差； Lconf为置信度 损失， 用于确定先验 框内是否存在小龙虾目标； Lclass为分类损失， 用于计 算小龙虾分类的偏 差； 若先验框内不存在小龙虾目标， 仅计算置信度损失， 若存在小龙虾目标， 则三类损失都 要计算； S2特征图尺度， B为先验框， λnoobj为权重系数， 若第i网格的第j先验框处有目标， 分别取1与0， 若没有目标， 分别取0与1； ρ( ·)为欧氏距离， c为预测框与真实框闭 包区域的对角线距离； b、 w、 h为预测框的中心坐标、 宽和高； bgt、 wgt、 hgt为真实框的中心坐 标、 宽和高； 为预测框与人工标注框 的置信度； Pij、 为预测框与人工标注框 的类 别概率。 5.如权利要求1所述的一种基于神经网络的小龙虾质量分级方法， 其特征在于： 步骤2 中对小龙虾目标框区域进 行裁剪并进一步判断小 龙姿态及虾尾部形状， 根据小龙虾虾尾的 形状判断其质量是否合格， 具体实现方式如下； 设置小龙虾目标框左上角的横坐标恒大于 0， 从而完成小龙虾目标的裁 剪； 然后对裁剪得到的小龙虾图片进行二值化处理， 计算非零像素点到最近的零像素点的 距离， 即计算二值图像中白色像素点距离其最近黑色边缘的距离提取所有距离黑色像素点 最远的像素点连接的区域即为图像骨架轮廓； 采用欧氏距离作 为距离计算的准则， 将距离限制 在(0‑128)像素范围内， 距离越大其可 能为骨架结构点的可能性越大； 为了更准确地提取结构点， 对于候选的结构点提取其相邻8 个像素点， 分别为P1、 P2、 P3、 P4、 P6、 P7、 P8、 P9， 对于一个最大可能为中心像素点f(x,y)的 点， 应该满足以下两个条件： P1|P3|P7|P9≥f(x,y)&P1|P3|P7|P9≤f(x,y)         (7) P2≈P8≤f(x,y)|P4≈P6≤f(x,y)        (8) 式(7)表示提取的骨架像素点必须比周围至少1个像素点亮度高同时又比周围至少一权　利　要　求　书 2/4 页 3 CN 114863198 A 3