【技術實現步驟摘要】
本專利技術涉及水產養殖疾病識別，更具體地說，涉及一種水下的基于pldnet網絡的實時東星斑魚疾病識別方法。
技術介紹
1、在水產養殖領域，魚類疾病的早期監測和精準診斷對于保障養殖健康和提升經濟效益至關重要。以東星斑魚為例，由于其較高的市場價值和營養價值，廣泛用于養殖。然而，在高密度設備化的養殖環境中，東星斑魚極易暴發如弧菌病和寄生蟲病等疾病，給東星斑魚的養殖管理帶來了巨大挑戰。一旦疾病爆發，魚類的高死亡率和產品市場價值的下降會導致嚴重的經濟損失。
2、現有技術中，魚類疾病檢測方法主要分為傳統的人工肉眼檢測和基于機器學習的自動化檢測。人工肉眼檢測方法依賴專家通過肉眼觀察進行診斷，雖然具備一定的實踐意義，但存在主觀性強、耗時長、精度不高造成誤判、人工成本高等問題，難以滿足市場上大規模養殖的需求。近年來，隨著人工智能的不斷發展，基于圖像處理技術的機器學習方法逐漸應用于魚類病害檢測。基于機器學習的自動化檢測方法通過圖像分割、特征提取和分類等步驟，提升了魚類病害檢測效率和精確性。然而，基于機器學習的自動化檢測方法仍然面臨一些局限性：首先，在應對寄生蟲病和早期弧菌病等較小病變目標時，現有的機器學習方法檢測精度往往不足，難以準確識別和定位病變區域，導致魚類疾病的早期識別能力存在局限。其次，由于特定魚類的疾病圖像數據集匱乏，現有模型的泛化能力有限，難以推廣至不同的養殖環境。最后，實時性仍然是一個亟待解決的問題，目前大多數方法集中于提升模型檢測精度，無法滿足實際養殖環境中快速檢測和實時響應的需求。因此，在東星斑魚的水產養殖中，鑒于其疾
3、首先，現有的基于機器學習的自動化檢測技術在復雜的養殖環境中(如光照變化和水質波動)表現不盡如人意，難以準確識別和定位較小的病變區域，特別是在早期弧菌病和寄生蟲病等微小病害目標的檢測上。這種技術局限性導致了早期病害難以被識別，往往使病情發展至中后期，最終對東星斑魚的養殖造成更大的經濟損失。其次，由于缺乏針對特定魚類(如東星斑)的高質量疾病圖像數據集，現有的目標檢測方法在泛化能力上存在顯著限制，無法有效推廣至特定的東星斑魚養殖環境。這一局限性導致東星斑魚疾病識別領域存在技術空白，亟需開發適應性更強的檢測解決方案。最后，當前的技術雖然在某些情況下提升了檢測精度，但在實時性上表現不佳，無法及時響應實際養殖需求，從而延誤了疾病管理。
技術實現思路
1、本專利技術要解決的技術問題在于，提供一種水下的基于pldnet網絡的實時東星斑魚疾病識別方法，其能夠高效、精準且具備實時檢測能力的技術，以滿足東星斑魚早期疾病的檢測與定位需求，同時準確識別病害種類，從而有效應對養殖中的健康管理挑戰。
2、本專利技術解決其技術問題所采用的技術方案是：構造一種水下的基于pldnet網絡的實時東星斑魚疾病識別方法，包括以下步驟：
3、s1、數據采集與預處理，采集東星斑魚類疾病圖像數據集，對數據進行預處理，包括數據增強、標注和數據集劃分；
4、s2、特征提取，將經過預處理后的東星斑病害數據輸入pldd網絡模型中的特征提取模塊，經過多層次深度卷積后得到特征提取結果；
5、s3、特征強化與融合，將特征提取后的東星斑病害數據結果輸入特征強化融合模塊，經過焦點調制層與多尺度特征融合，綜合來自不同層次的東星斑病害特征信息，強化關鍵信息的表現，得到強化融合結果；
6、s4、更換損失函數，將傳統的邊界框損失函數替換為改進的最小點距離交并比損失函數，準確定位小目標東星斑病害區域；
7、s5、東星斑魚病害結果預測，將特征強化融合結果輸入pldnet特征預測模塊進行預測，輸出多個東星斑魚病害預測框與類別。
8、按上述方案，所述步驟s1中，通過以下方法實現數據采集與預處理，具體為：
9、s101、利用東星斑漁場水下攝像頭實時采集東星斑魚疾病圖像數據集；
10、s102、對數據集中的東星斑病害圖像進行鏡像、翻轉、裁剪、旋轉、平移、模糊、加入噪聲和調整亮度的多種圖像增強操作，構架pldd東星斑魚病數據集；
11、s103、使用labelme標注軟件逐一對增強后數據集圖像內的目標病害區域進行精確標注，包括利用關鍵點標注手動繪制病害輪廓并為每個標注區域分配相對應的病害類別標簽，確保每個病害區域都能夠被準確標記；
12、s104、將pldd數據集按照7:2:1的比例劃分為訓練集、測試集和驗證集，其中，訓練集用于pldd模型的預訓練，測試集用于對pldd模型性能的評估與調參，驗證集用于模型最終性能的衡量與泛化能力的評估。
13、按上述方案，所述步驟s2中，通過以下方法實現特征提取，具體為：
14、s201、將經過預處理后的東星斑病害圖像數據輸入到pldnet特征提取網絡中，特征提取模塊由多層卷積層和殘差塊層構成，提取東星斑圖像中的不同層次特征；
15、s202、silence層特征抑制，東星斑病害圖像進入特征提取模塊會首先經過silence層，用于抑制輸入東星斑病害圖像中的某些噪聲或與病害無關的特征，提高后續層進行特征提取的效果；
16、s203、卷積層特征提取，經過silence層后使用多層深度卷積操作，逐層提取的病害邊緣、紋理、形狀的多種局部特征，逐步減小東星斑病害圖像尺寸，增加特征圖的深度，捕捉更抽象的特征；
17、s204、殘差塊層特征優化，在特征提取模塊部分，每個卷積層之后會附帶殘差塊層，以提升模型的非線性表征能力，通過殘差塊層進一步提取東星斑病害圖像深層特征，使用跳躍連接減少梯度消失問題，通過局部特征的多尺度提取，提升對東星斑病害區域的感知能力；
18、s205、輸出特征圖，最終，輸出多層卷積和殘差塊層處理后的高維特征圖。
19、按上述方案，所述步驟s3中，通過以下方法實現特征強化與融合，具體為：
20、s301、將步驟s2中輸出的特征圖輸入到特征融合強化模塊中利用焦點調制層機制對東星斑魚病特征圖進行特征增強，焦點調制層分為三個部分：query、modulator、aggregate；
21、s302、特征融合與上采樣，通過多尺度特征融合和上采樣操作，將不同層次的特征圖進行整合，并逐步恢復空間分辨率，確保pldnet網絡能夠同時處理大、中、小病害區域；
22、s303、輸出經過焦點調制層特征強化和特征融合處理后的強化融合特征圖，為后續的東星斑魚病害區域預測提供優化后的輸入。
23、按上述方案，所述步驟s301中，所述特征融合強化模塊中，利用焦點調制層機制對輸出的東星斑魚病特征圖進行特征增強，具體為：
24、s301a、將特征圖輸入到query部分，query部分根據輸入特征圖x提取關鍵區域特征q(x)，用于后續的焦點調制，其公式表示為：
25、q(x)＝fq(x)
26、其中，fq(·)是映射函數，用于獲取輸入圖像的關鍵特本文檔來自技高網...
【技術保護點】
1.一種水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟S1中，通過以下方法實現數據采集與預處理，具體為：
3.根據權利要求1所述的水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟S2中，通過以下方法實現特征提取，具體為：
4.根據權利要求1所述的水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟S3中，通過以下方法實現特征強化與融合，具體為：
5.根據權利要求4所述的水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟S301中，所述特征融合強化模塊中，利用焦點調制層機制對輸出的東星斑魚病特征圖進行特征增強，具體為：
6.根據權利要求1所述的水下的基于PLDNET網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟S4中，將傳統的邊界框損失函數替換為改進的最小點距離交并比MPDIoU損失函數的方法為：
7.
...【技術特征摘要】
1.一種水下的基于pldnet網絡的實時東星斑魚疾病識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的水下的基于pldnet網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟s1中，通過以下方法實現數據采集與預處理，具體為：
3.根據權利要求1所述的水下的基于pldnet網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟s2中，通過以下方法實現特征提取，具體為：
4.根據權利要求1所述的水下的基于pldnet網絡的實時東星斑魚疾病識別方法，其特征在于，所述步驟s3中，通過以下方法實現特征強化與融合，具體為：
...【專利技術屬性】
技術研發人員：周俊偉，薛潤塵，秦文濤，黃耀誠，談誠，楊焱超，向劍文，
申請(專利權)人：武漢理工大學，
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。