本發(fā)明屬于計(jì)算模式識(shí)別技術(shù)領(lǐng)域，特別是一種基于深度學(xué)習(xí)的錦鯉篩選方法及裝置。

背景技術(shù)：

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)理論中的一個(gè)新的研究領(lǐng)域，是人工智能領(lǐng)域的延伸，其動(dòng)機(jī)在于建立、模擬人腦的機(jī)制來(lái)解釋數(shù)據(jù)，并進(jìn)行分析學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)優(yōu)勢(shì)在于通過(guò)構(gòu)建具有多隱層的機(jī)器學(xué)習(xí)模型和經(jīng)過(guò)海量訓(xùn)練的數(shù)據(jù)來(lái)學(xué)習(xí)更有用的特征，從而最提升分類或預(yù)測(cè)的準(zhǔn)確性。對(duì)于互聯(lián)網(wǎng)領(lǐng)域的圖片分類、聲音識(shí)別和文本信息篩選等方面有著廣泛的應(yīng)用，但在漁業(yè)方面特別是錦鯉苗種特征識(shí)別卻未涉及。

目前，國(guó)內(nèi)現(xiàn)有錦鯉養(yǎng)殖企業(yè)缺乏具有專業(yè)篩選經(jīng)驗(yàn)的技術(shù)人員，將繁殖出來(lái)的錦鯉全部養(yǎng)殖，導(dǎo)致生產(chǎn)水面負(fù)荷過(guò)大，生產(chǎn)成本過(guò)高，單位面積產(chǎn)值過(guò)低，造成極大的浪費(fèi)，達(dá)不到應(yīng)有的經(jīng)濟(jì)效益。而在自然環(huán)境中錦鯉每年4-5月產(chǎn)卵，通過(guò)人工繁育的介入，每年的各個(gè)階段錦鯉都可以進(jìn)行繁殖。由于其遺傳性狀的不穩(wěn)定，導(dǎo)致體色在顏色及分布位置上的多變。這使得錦鯉的在體型及體色等性狀上存在等級(jí)差異，而優(yōu)質(zhì)等級(jí)錦鯉又具有巨大市場(chǎng)需求。一對(duì)成熟親本每年可產(chǎn)苗種5-10萬(wàn)尾，苗種產(chǎn)量非常高，但達(dá)到品級(jí)的錦鯉只占10％，每年耗費(fèi)大量的人工進(jìn)行篩選，勞動(dòng)強(qiáng)度大、精準(zhǔn)率低、失誤率高，嚴(yán)重制約品級(jí)優(yōu)質(zhì)錦鯉的產(chǎn)量，無(wú)法滿足市場(chǎng)需求。在漁業(yè)方面海量的錦鯉圖片信息為“深度學(xué)習(xí)”技術(shù)應(yīng)用提供了大量訓(xùn)練數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所解決的技術(shù)問(wèn)題在于提供一種基于深度學(xué)習(xí)的錦鯉篩選方法及系裝置，以解決錦鯉苗種難以篩選的問(wèn)題，提高篩選精準(zhǔn)度，減少人工使用，降低養(yǎng)殖企業(yè)對(duì)專業(yè)技術(shù)人員的依賴。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

一種基于深度學(xué)習(xí)的錦鯉篩選方法，該方法包括以下步驟：

s1：采集預(yù)設(shè)量的錦鯉圖片及每張圖片進(jìn)行中心化和尺寸標(biāo)準(zhǔn)化的歸一化處理預(yù)處理操作，得到圖像的特征向量；

s2：使用訓(xùn)練樣本對(duì)深度信念網(wǎng)絡(luò)(dbn)模型進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)，輸出經(jīng)訓(xùn)練后提取的訓(xùn)練樣本的特征向量；

s3：將訓(xùn)練后深度信念網(wǎng)絡(luò)dbn輸出作為支持向量機(jī)svm分類器的輸入，對(duì)svm分類器的進(jìn)行訓(xùn)練，并得到相應(yīng)的svm分類器參數(shù)；

s4：使用訓(xùn)練后的svm分類器進(jìn)行錦鯉分類。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)：

(1)訓(xùn)練過(guò)程中，每次只訓(xùn)練一層rbm的方式可以確保特征向量在映射到不同特征空間時(shí)，能夠盡可能多的保留特征信息。

(2)本發(fā)明所采用的深度信念(dbn)網(wǎng)絡(luò)和支持向量機(jī)(svm)分類器組合成的深度學(xué)習(xí)網(wǎng)絡(luò)模型，能夠充分提取錦鯉圖像特征，實(shí)現(xiàn)優(yōu)次錦鯉兩種分類識(shí)別輸出。

(3)本發(fā)明所采用逐層初始化的方法可以有效克服dbn利用bp算法訓(xùn)練模型時(shí)由于隨機(jī)初始化權(quán)值參數(shù)而導(dǎo)致的訓(xùn)練時(shí)間長(zhǎng)、局部最優(yōu)問(wèn)題。

(4)采用本發(fā)明的篩選方法能夠有效的將優(yōu)質(zhì)錦鯉篩選出來(lái)，能夠有效的降低人工成本。

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

附圖說(shuō)明

圖1是本發(fā)明的基于深度學(xué)習(xí)的錦鯉篩選方法的流程圖。

圖2是本發(fā)明的基于深度學(xué)習(xí)錦鯉篩選裝置整體示意圖。

圖3是本發(fā)明采用的深度信念網(wǎng)絡(luò)(dbn)模型示意圖。

具體實(shí)施方式

結(jié)合圖1、圖2，本發(fā)明的一種基于“深度學(xué)習(xí)”的錦鯉篩選方法包括以下步驟：

s1：采集預(yù)設(shè)量的錦鯉圖片及每張圖片進(jìn)行中心化和尺寸標(biāo)準(zhǔn)化的歸一化處理預(yù)處理操作，得到圖像的特征向量(訓(xùn)練樣本)；

其中，預(yù)設(shè)量可以根據(jù)實(shí)際需要，通過(guò)圖像采集單元(照相機(jī))采集錦鯉體色及背部花斑特征圖像，進(jìn)行中心化和尺寸標(biāo)準(zhǔn)化的歸一化處理預(yù)處理操作，每張圖像均被處理為大小為32×32(即1024像素)，并保證圖像特征向量維數(shù)與輸入層的隨機(jī)單元數(shù)相同(設(shè)置單元數(shù)為1024)；輸出層的輸出單元個(gè)數(shù)可與待分類數(shù)據(jù)樣本的類別數(shù)相同(分為優(yōu)、次錦鯉兩類，故設(shè)置為2)。

s2：使用訓(xùn)練樣本對(duì)深度信念網(wǎng)絡(luò)(dbn)模型進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)，輸出經(jīng)訓(xùn)練后提取的訓(xùn)練樣本的特征向量；

其中，無(wú)監(jiān)督訓(xùn)練采用貪婪無(wú)監(jiān)督學(xué)習(xí)算法對(duì)各層受限玻爾茲曼機(jī)(rbm)進(jìn)行自底向上的逐層訓(xùn)練：使用無(wú)優(yōu)次錦鯉標(biāo)簽樣本集，每次只訓(xùn)練一層rbm的方式，并逐層初始化化網(wǎng)絡(luò)參數(shù)，包括初始學(xué)習(xí)率、初始權(quán)重和偏置、隱含層層數(shù)、迭代次數(shù)等；

有監(jiān)督微調(diào)則通過(guò)疊加在深度信念網(wǎng)絡(luò)dbn頂層的誤差反向傳播算法bp網(wǎng)絡(luò)接收頂層rbm訓(xùn)練階得到的權(quán)重、偏置和學(xué)習(xí)率作為輸入，使用有優(yōu)次錦鯉標(biāo)簽訓(xùn)練樣本，采用bp算法自頂向下的微調(diào)深度信念網(wǎng)絡(luò)dbn網(wǎng)絡(luò)的參數(shù)，最后輸出經(jīng)訓(xùn)練后提取的訓(xùn)練樣本的特征向量。

有監(jiān)督微調(diào)采用的是有優(yōu)次錦鯉標(biāo)簽訓(xùn)練樣本，預(yù)先假設(shè)圖像樣本集x，并表示為：x＝[x¹，x²，......x^l+d]；

x表示圖像樣本，樣本總數(shù)為l+u，l和u分別表示有標(biāo)簽樣本的個(gè)數(shù)和無(wú)標(biāo)簽樣本的個(gè)數(shù)，樣本經(jīng)歸一化處理之后的特征向量的維度為d。

將l個(gè)有標(biāo)簽樣本的標(biāo)簽矩陣y表示為：y＝[y¹，y²，......y^l]；

yⁱ表第i個(gè)有標(biāo)簽樣本數(shù)據(jù)的標(biāo)簽向量，y是一個(gè)l×d的矩陣。樣本類別數(shù)為2，則可定義為：

j表示有標(biāo)簽樣本所屬的類別。當(dāng)表示，第i個(gè)有標(biāo)簽樣本屬于第j類；當(dāng)表示第i有標(biāo)簽樣本不屬于第j類。

其中，深度信念網(wǎng)絡(luò)dbn訓(xùn)練過(guò)程中初始學(xué)習(xí)率的選取采用變化的學(xué)習(xí)率代替全局的學(xué)習(xí)率來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即學(xué)習(xí)率的大小根據(jù)網(wǎng)絡(luò)的實(shí)際訓(xùn)練情況確定：具體是先設(shè)定一個(gè)初始學(xué)習(xí)率，若一次迭代后重構(gòu)誤差減小或者不變，則學(xué)習(xí)率保持不變，繼續(xù)進(jìn)行下一次迭代；若經(jīng)過(guò)一次迭代后重構(gòu)誤差增大，則將學(xué)習(xí)率乘以一個(gè)小于1的常數(shù)，使得學(xué)習(xí)率減小。

s3：將訓(xùn)練后深度信念網(wǎng)絡(luò)dbn輸出作為支持向量機(jī)svm分類器的輸入，對(duì)svm分類器的進(jìn)行訓(xùn)練，并得到相應(yīng)的svm分類器參數(shù)；

分類器訓(xùn)練將訓(xùn)練后深度信念網(wǎng)絡(luò)dbn輸出錦鯉圖像特征向量，將錦鯉圖像特征向量輸入支持向量機(jī)svm分類器進(jìn)行訓(xùn)練，得到優(yōu)、次錦鯉兩種分類識(shí)別輸出的相應(yīng)svm參數(shù)，完成最終網(wǎng)絡(luò)模型的訓(xùn)練。

s4：使用訓(xùn)練后的svm分類器進(jìn)行錦鯉分類識(shí)別(錦鯉特征識(shí)別)。

分類識(shí)別是通過(guò)使用訓(xùn)練后的分類器進(jìn)行優(yōu)次錦鯉的識(shí)別結(jié)果輸出，接受分類結(jié)果輸出信息通過(guò)控制指令對(duì)錦鯉進(jìn)行分類操作。

結(jié)合圖3，本發(fā)明的基于深度學(xué)習(xí)的錦鯉篩選方法，提出了一種錦鯉錦鯉篩選裝置，包括采集模塊、深度網(wǎng)絡(luò)訓(xùn)練模塊、分類器訓(xùn)練模塊、分類控制模塊；

采集模塊：采集預(yù)設(shè)量的錦鯉圖片及每張圖片進(jìn)行中心化和尺寸標(biāo)準(zhǔn)化的歸一化處理預(yù)處理操作，得到圖像的特征向量。

其中，預(yù)設(shè)量可以根據(jù)實(shí)際需要，通過(guò)圖像采集單元(照相機(jī))采集錦鯉體色及背部花斑特征圖像，進(jìn)行中心化和尺寸標(biāo)準(zhǔn)化的歸一化處理預(yù)處理操作，每張圖像均被處理為大小為32×32(即1024像素)，并保證圖像特征向量維數(shù)與輸入層的隨機(jī)單元數(shù)相同(設(shè)置單元數(shù)為1024)；輸出層的輸出單元個(gè)數(shù)可與待分類數(shù)據(jù)樣本的類別數(shù)相同，分為優(yōu)、次錦鯉兩類，故設(shè)置為2(優(yōu)、次錦根據(jù)實(shí)際需要進(jìn)行設(shè)定)。

深度網(wǎng)絡(luò)訓(xùn)練模塊：使用訓(xùn)練樣本對(duì)深度信念網(wǎng)絡(luò)(dbn)模型進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)，輸出經(jīng)訓(xùn)練后提取的訓(xùn)練樣本的特征向量；

深度網(wǎng)絡(luò)訓(xùn)練模塊包括無(wú)監(jiān)督訓(xùn)練單元、有監(jiān)督微調(diào)單元；

無(wú)監(jiān)督訓(xùn)練單元：采用貪婪無(wú)監(jiān)督學(xué)習(xí)算法對(duì)各層受限玻爾茲曼機(jī)(rbm)進(jìn)行自底向上的逐層訓(xùn)練：使用無(wú)優(yōu)次錦鯉標(biāo)簽樣本集，每次只訓(xùn)練一層rbm的方式，并逐層初始化化網(wǎng)絡(luò)參數(shù)，包括初始學(xué)習(xí)率、初始權(quán)重和偏置、隱含層層數(shù)、迭代次數(shù)等；

有監(jiān)督微調(diào)單元：通過(guò)疊加在深度信念網(wǎng)絡(luò)dbn頂層的誤差反向傳播算法bp網(wǎng)絡(luò)接收頂層rbm訓(xùn)練階得到的權(quán)重、偏置和學(xué)習(xí)率作為輸入，使用有優(yōu)次錦鯉標(biāo)簽訓(xùn)練樣本，采用bp算法自頂向下的微調(diào)深度信念網(wǎng)絡(luò)dbn網(wǎng)絡(luò)的參數(shù)，最后輸出經(jīng)訓(xùn)練后提取的訓(xùn)練樣本的特征向量；

有監(jiān)督微調(diào)采用的是有優(yōu)次錦鯉標(biāo)簽訓(xùn)練樣本，預(yù)先假設(shè)圖像樣本集x，并表示為：x＝[x¹，x²，......x^l+d]。

x表示圖像樣本，樣本總數(shù)為l+u，l和u分別表示有標(biāo)簽樣本的個(gè)數(shù)和無(wú)標(biāo)簽樣本的個(gè)數(shù)，樣本經(jīng)歸一化處理之后的特征向量的維度為d。

將l個(gè)有標(biāo)簽樣本的標(biāo)簽矩陣y表示為：y＝[y¹，y²，......y^l]；

yⁱ表第i個(gè)有標(biāo)簽樣本數(shù)據(jù)的標(biāo)簽向量，y是一個(gè)l×d的矩陣。樣本類別數(shù)為2，則可定義為：

j表示有標(biāo)簽樣本所屬的類別。當(dāng)表示，第i個(gè)有標(biāo)簽樣本屬于第j類；當(dāng)表示第i有標(biāo)簽樣本不屬于第j類。

其中，深度信念網(wǎng)絡(luò)dbn訓(xùn)練過(guò)程中初始學(xué)習(xí)率的選取采用變化的學(xué)習(xí)率代替全局的學(xué)習(xí)率來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即學(xué)習(xí)率的大小根據(jù)網(wǎng)絡(luò)的實(shí)際訓(xùn)練情況確定：具體是先設(shè)定一個(gè)初始學(xué)習(xí)率，若一次迭代后重構(gòu)誤差減小或者不變，則學(xué)習(xí)率保持不變，繼續(xù)進(jìn)行下一次迭代；若經(jīng)過(guò)一次迭代后重構(gòu)誤差增大，則將學(xué)習(xí)率乘以一個(gè)小于1的常數(shù)，使得學(xué)習(xí)率減小。

分類器訓(xùn)練模塊：將訓(xùn)練后深度信念網(wǎng)絡(luò)dbn輸出作為支持向量機(jī)svm分類器的輸入，對(duì)svm分類器的進(jìn)行訓(xùn)練，并得到相應(yīng)的svm分類器參數(shù)。

分類器訓(xùn)練將訓(xùn)練后深度信念網(wǎng)絡(luò)dbn輸出錦鯉圖像特征向量，將錦鯉圖像特征向量輸入支持向量機(jī)svm分類器進(jìn)行訓(xùn)練，得到優(yōu)、次錦鯉兩種分類識(shí)別輸出的相應(yīng)svm參數(shù)，完成最終網(wǎng)絡(luò)模型的訓(xùn)練。

分類控制模塊：使用訓(xùn)練后的svm分類器進(jìn)行錦鯉分類；分類控制模塊包括分類單元和控制單元。

分類識(shí)別單元：通過(guò)使用訓(xùn)練后的分類器進(jìn)行優(yōu)次錦鯉的識(shí)別結(jié)果輸出。

控制單元：接受分類結(jié)果輸出信息通過(guò)控制指令對(duì)錦鯉進(jìn)行分類操作。

雖然本發(fā)明已經(jīng)以較佳實(shí)施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬技術(shù)領(lǐng)域中具有通常知識(shí)者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動(dòng)與潤(rùn)飾。因此，本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書(shū)所界定者為準(zhǔn)。