技术摘要：
本申请涉及一种鱼姿势识别方法、装置、设备及存储介质，方法包括：获取鱼图像；提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼图像中鱼的姿势是否属于设定的合理姿势，获得判断结果；将所述判断结果作为鱼姿势识别结果。本申请用以能够准确识别鱼姿势，  全部
背景技术：
水产品行业分析表示，世界水产养殖以亚洲最为发达，水产养殖全球占比接近 90％。中国是亚洲主要的水产养殖国之一，也是世界上从事水产养殖历史最悠久的国家之 一。 由于我国早期消费水平较低，水产品大都出口。经过多年的发展，国内水产品消费 量有了很大的增长，同时国内消费市场还有很大的潜力。随着国家经济的发展，人们可支配 收入的增加，对水产品的消费能力提升。同时人们的消费观念也正在发生改变，绿色、健康、 营养的水产品正日益受到人们的青睐。 为了打造更安全的水产养殖环境，我国逐步引进集装箱养殖方法。集装箱养殖水 质是流动的，养殖非常绿色，可高密度养殖。 如何在集装箱养殖场景中，科学养鱼是需要关注的问题。
技术实现要素：
本申请提供了一种鱼姿势识别方法、装置、设备及存储介质，用以能够准确识别鱼 姿势，为后续对鱼的科学喂养提供重要参考。 第一方面，本申请实施例提供了一种鱼姿势识别方法，包括： 获取鱼图像； 提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼图像中鱼的姿 势是否属于设定的合理姿势，获得判断结果； 将所述判断结果作为鱼姿势识别结果。 可选地，提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼图像中 鱼的姿势是否是否属于设定的合理姿势，获得判断结果，包括： 将所述鱼图像输入到卷积神经网络模型； 通过所述卷积神经网络模型中的N个网络层级，依次提取所述鱼图像的N个网络层 级的特征，并对所述N个网络层级的特征进行整合，得到所述鱼的特征，根据所述鱼的特征 判断所述鱼图像中鱼的姿势是否属于设定的合理姿势后，输出判断结果。 可选地，提取所述鱼图像中鱼的特征，根据提取到的鱼的特征之后，所述鱼姿势识 别方法还包括： 通过所述卷积神经网络模型根据所述鱼的特征，对所述鱼图像添加用于框选出鱼 所在位置的边框。 可选地，所述卷积神经网络模型的训练过程包括： 获取样本图像集合，其中，所述样本图像集合中包括M个样本图像以及每个所述样 4 CN 111597937 A 说　明　书 2/9 页 本图像的鱼姿势类别标识，所述鱼姿势类别标识用于指示所述样本图像中鱼的姿势是否为 设定的合理姿势，S个样本图像组成一组样本图像； 分别对所述样本图像集合中的每组样本图像执行以下训练过程： 分别对一组样本图像中的每个样本图像进行以下处理，将所述样本图像输入至初 始卷积神经网络模型，依次采用N个网络层级，对所述样本图像进行特征提取，获得N个网络 层级的特征，并对所述N个网络层级的特征进行整合，得到所述样本图像中鱼的特征； 根据所述一组样本图像中每个所述样本图像中的鱼的特征，获得所述一组样本图 像中鱼的姿势不属于设定的合理姿势的概率值； 根据所述概率值和所述一组样本图像的鱼姿势类别标识，计算损失函数，根据所 述损失函数，将梯度反向传播到所述N个网络层级的每一层，优化所述初始卷积神经网络模 型的参数后，从所述样本图像集合中获取下一组样本图像，重复执行所述训练过程，直至所 述损失函数趋于稳定时，将所述初始卷积神经网络模型作为最终的所述卷积神经网络模 型。 可选地，将所述样本图像输入至初始卷积神经网络模型，依次采用N个网络层级， 对所述样本图像进行特征提取，获得N个网络层级的特征，包括： 采用第1个网络层级对所述样本图像进行卷积和下采样，获得所述样本图像第1个 网络层级的特征； 采用第i个网络层级，对所述样本图像第i-1个网络层级的特征，进行卷积和下采 样，获得所述样本图像第i个网络层级的特征，其中，所述i的取值为大于1且小于或等于N。 可选地，将所述样本图像输入至初始卷积神经网络模型，依次采用N个网络层级， 对所述样本图像进行特征提取，获得N个网络层级的特征，包括： 采用第1个网络层级对所述样本图像进行卷积和下采样，获得所述样本图像第1个 网络层级的特征； 采用第i个网络层级，对所述样本图像第i-1个网络层级的特征，进行卷积和下采 样，获得所述样本图像第i个网络层级的特征，其中，所述i的取值为大于1且小于N； 采用第N个网络层级，对所述样本图像的第N-1个网络层级的特征，进行卷积后，获 得所述样本图像第N个网络层级的特征。 可选地，获取鱼图像，包括： 获取摄像头拍摄获得的所述鱼图像，其中，所述摄像头置于内部中空且透明的容 器的底部，所述摄像头的镜面平行于所述容器的顶部，所述容器置于养鱼用集装箱内，所述 集装箱的顶面设置背景板，所述背景板和所述容器的顶部形成鱼的行进通道。 第二方面，本申请实施例中提供了一种鱼姿势识别装置，包括： 获取模块，用于获取鱼图像； 处理模块，用于提取所述鱼图像中鱼的特征，根据提取到的鱼的特征，判断所述鱼 图像中鱼的姿势是否属于设定的合理姿势，获得判断结果； 识别模块，用于将所述判断结果作为鱼姿势识别结果。 第三方面，本申请实施例中提供了一种电子设备，包括：处理器、通信接口、存储器 和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信； 所述存储器，用于存储计算机程序； 5 CN 111597937 A 说　明　书 3/9 页 所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的鱼姿势 识别方法。 第四方面，本申请实施例中提供了一种计算机可读存储介质，存储有计算机程序， 所述计算机程序被处理器执行时实现第一方面所述的鱼姿势识别方法。 本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例 提供的该方法，在获取鱼图像后，通过提取鱼图像中鱼的特征，根据该鱼的特征判断鱼的姿 势是否属于设定的合理姿势，从而能够达到对鱼姿势进行识别的目的，以能够在后续对鱼 的科学喂养中提供重要参考数据，比如，对于鱼姿势不属于设定的合理姿势的鱼图像进行 舍弃，以避免后续科学喂养时估算数据不准确。并且，该方法不会使鱼产生应激反应，对鱼 无伤害。 附图说明 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施 例，并与说明书一起用于解释本发明的原理。 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而 言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 图1为本申请实施例中鱼姿势识别的具体过程示意图； 图2为本申请实施例中图像拍摄装置结构示意图； 图3为本申请实施例中卷积神经网络模型的训练过程示意图； 图4为本申请实施例中第一卷积模块的结构示意图； 图5为本申请实施例中第二卷积模块的结构示意图； 图6为本申请实施例中鱼姿势识别装置结构示意图； 图7为本申请实施例中电子设备结构示意图。