【技術實現步驟摘要】
本專利技術涉及水產養殖領域，尤其涉及一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法。
技術介紹
1、在水產養殖中，飼料成本是最主要的支出之一。實際養殖過程中容易發生投喂不足或者過量投喂情況，投喂不足影響魚體生長速度，過量投喂又增加了養殖成本，降低了養殖效率，而且未被攝入的飼料分解產生氨氮和硝酸鹽化合物，從而污染水體環境并對魚類的健康生長造成影響。魚類攝食強度反映了魚類攝食過程中的動作和行為的強度及變化幅度，能夠直接反映魚類的食欲。目前，使用機器視覺去評估魚類攝食強度的方法，容易受到水質，光紋的波動影響。為了去除這一影響，提高分類準確性，采用聲音信號去評估魚類攝食強度。
2、基于聲信號的魚類攝食強度評估最早是由cuimeng.等人提出的。介紹了一種利用音頻實現魚類攝食強度評估的新方法。提出了一個ffia的深度學習框架，首先將音頻信號轉換為聲學特征，即mel譜圖，然后使用基于卷積神經網絡(cnn)的模型對魚的攝食強度進行分類。
技術實現思路
1、為解決上述問題，本專利技術提出了一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法，提高攝食強度分級的準確性，更好的指導投喂策略。
2、本專利技術采用以下方案實現：一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法，該方法包括以下步驟：
3、步驟1:采用水聽器獲取魚類攝食聲音信號，基于攝食聲音信號強度進行人工標注得到強度分類結果，并將聲音信號轉換為聲譜圖，構建一個魚類攝食聲音信號的聲譜圖數據集；p>
4、步驟2:將simam無參注意力模塊嵌入到senet網絡中，得到注意力機制融合模塊，該模塊能夠同時關注到特征圖空間和通道上的特征權重；
5、步驟3:將設計的注意力機制融合模塊集合到卷積神經網絡的最大池化層，用于提取全局特征并進行分類；
6、步驟4:將構建的攝食聲音信號的聲譜圖數據集作為改進后的卷積神經網絡輸入，輸出強度分類的分布概率，實現攝食強度的自動分類。
7、進一步地，步驟1中，將攝食聲音信號分為“強”，“中”，“弱”，“無”四類強度。
8、進一步地，所述步驟1采用下式對攝食聲信號x(k,t)進行聲譜圖的轉換：
9、
10、式中，x(n)為分幀后的信號，ω(n)表示漢明窗，n表示離散時間序列中的樣本索引，d為樣本數量。
11、進一步地，步驟2中設計了一個新的注意力機制融合模塊，將simam無參注意力模塊嵌入到senet中，該模塊結合了senet和simam模塊的優點，該模塊不僅能夠在通道維度上自適應地調整特征權重，還能在空間維度上利用局部自相似性生成注意力權重。
12、進一步地，senet數學表達式為：
13、
14、式中，z表示被擠壓后的全局信息，u代表輸入圖像特征，fsq代表通道權重；w代表輸入特征圖的寬度，對于輸入的圖像特征u,它的維度是h,w,c，h,w表示圖像的高和寬，c表示通道數；利用全局平均池將每個通道上對應的空間信息擠壓到對應的通道中，壓縮得到的通道信息將應用于激勵步驟2，目的是通過學習如何精確調整各個通道的貢獻程度，從而提升網絡的特征表示能力。
15、進一步地，simam的數學表達式如下所示：
16、
17、式中，et表示在時間步t上的注意力權重或能量值；wt,bt兩個參數表示在計算et時使用的權重和偏置項；y表示輸入特征圖中的某個位置的特征值；xi表示輸入特征圖中的一個元素，其中i是索引，用于遍歷特征圖中的元素；yt表示在時間步t上的預測值或特征值；m表示在計算平均誤差項時考慮的元素數量；yo表示某個目標值或中心位置的預測值或特征值；表示估計的方差值，其中是方差；λ表示正則化參數；最小化上述公式等于訓練同一通道內神經元與其他神經元之間的線性可分性；通過度量神經元間的線性可分性來識別重要的神經元，線性可分性的度量通過構建能量函數來實現，基于目標神經元的活動值t與其他神經元的平均活動值的差異，判斷目標神經元的區分性和重要性。
18、進一步地，選取vgg16模型作為基準網絡，所述步驟4實現攝食強度自動分級包括以下步驟：
19、步驟4.1：聲譜圖數據集作為輸入被裁剪為224x224x3大小，經過兩層3x3卷積核，輸出特征圖尺寸為112x112x64大小；
20、步驟4.2：圖像繼續被3x3卷積核和線形層提取特征，特征圖尺寸變成56x56x128；
21、步驟4.3：連續分別經過3層3x3卷積核和1層線性層，特征圖尺寸從56x56x128轉變成7x7x512；
22、步驟4.4：將7x7x512的特征圖展平為一個4096維的向量，并輸入到全連接層；
23、步驟4.5：4096維向量經過注意力機制融合模塊，進一步提取全局特征；
24、步驟4.6：將提取全局特征后的4096維向量輸入到最大池化層，經過最大池化層的分類，輸出強度分類的分布概率。
25、與現有技術相比，本專利技術有以下有益效果：
26、1、本專利技術依據魚類攝食聲音信號不需要依賴于視覺環境的光線條件特點，采用漢明窗將聲音信號轉換為聲譜圖，二維圖像能方便的作為卷積神經網絡的輸入，快速高效的實現魚類攝食強度的評估。
27、2、本專利技術設計的注意力機制融合模塊具有能同時關注到特征圖空間和通道上的特征權重等特點，將該模塊嵌入到vgg16模型的最大池化層后，該新算法不僅能夠在通道維度上自適應地調整特征權重，還能在空間維度上利用局部自相似性生成注意力權重，從而實現更全面的特征學習和利用。
本文檔來自技高網...【技術保護點】
1.一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其特征在于，步驟1中，將攝食聲音信號分為四類，分別為“強”，“中”，“弱”，“無”四種強度。
3.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其特征在于，所述步驟1采用下式對攝食聲信號X(k,t)進行聲譜圖的轉換：
4.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其特征在于，步驟2中設計了一個新的注意力機制融合模塊，將SimAM無參注意力模塊嵌入到SENet中，該模塊結合了SENet和SimAM模塊的優點，該模塊不僅能夠在通道維度上自適應地調整特征權重，還能在空間維度上利用局部自相似性生成注意力權重。
5.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其特征在于，SENet數學表達式為：
6.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其
7.根據權利要求1所述的一種基于改進VGG16和聲譜圖的魚類攝食強度評估方法,其特征在于，選取VGG16模型作為基準網絡，所述步驟4實現攝食強度自動分級包括以下步驟：
...【技術特征摘要】
1.一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法,其特征在于，步驟1中，將攝食聲音信號分為四類，分別為“強”，“中”，“弱”，“無”四種強度。
3.根據權利要求1所述的一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法,其特征在于，所述步驟1采用下式對攝食聲信號x(k,t)進行聲譜圖的轉換：
4.根據權利要求1所述的一種基于改進vgg16和聲譜圖的魚類攝食強度評估方法,其特征在于，步驟2中設計了一個新的注意力機制融合模塊，將simam無參注意力模...
【專利技術屬性】
技術研發人員：瑪依思，蔡衛明，黃旭洋，金婧，馬新莉，范勝利，回曉楠，
申請(專利權)人：浙江大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。