DB54_T 0308-2023西藏特有鱼类智能识别技术规范.pdf

ICS67.120.30CCS B 5054西藏自治区地方标准DB 54/T 03082023西藏特有鱼类智能识别技术规范2023-12-18 发布2024-01-18 实施西藏自治区市场监督管理局发 布DB 54/T 03082023I目次前言.II1范围.12规范性引用文件.13术语和定义.14鱼类智能识别技术的构成.24.1硬件设备.24.2软件系统.25硬件配置要求.26软件要求.37实现步骤.38图像采集设备部署.39训练数据集制作.310算法训练.411评价指标获取与计算方法.4附录 A（资料性）目标鱼类标注.6附录 B（资料性）XML 标签文件.7附录 C（资料性）西藏区域水域里特有鱼类种类识别结果.8DB 54/T 03082023II前言本文件按照GB/T 1.12020标准化工作导则第1部分：标准化文件的结构和起草规则的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由中国水利水电科学研究院提出。本文件由西藏自治区农牧业标准化技术委员会归口。本文件起草单位：中国水利水电科学研究院、华能雅鲁藏布江水电开发投资有限公司、华电西藏能源有限公司、华电金沙江上游水电开发有限公司、华能雅鲁藏布江水电开发投资有限公司加查水电厂。本文件主要起草人：柳春娜、杨佐斌、余凌、赵晋兵、邢伟、李锐、申剑、廖华杰、李健源、朱蒙恩、胡江军、焦虎、吴必朗、韩志强、刘轶、周荣攀、周艳华、王鲁海、严子钧、卢佳。本文件属首次制定。DB 54/T 030820231西藏特有鱼类智能识别技术规范1范围本文件规定了西藏区域水域里特有鱼类数据集制作和目标检测的方法。本文件适用于在浊度测量值在100 NTU及以下的水体中，智能识别西藏区域水域里特有鱼类的稚鱼和成鱼。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。HJ1075 水质 浊度的测定 浊度计法HJ710.7 生物多样性观测技术导则 内陆水域鱼类3术语和定义下列术语和定义适用于本文件。3.1智能识别通过人工智能技术，实现鱼类种类识别和数量自动统计。3.2图像采集采用成像设备获取鱼类水下图像信号的过程。3.3动态图像鱼类游动通过成像设备时的实时图像。3.4数据集深度学习目标检测算法训练时所用的主流数据格式。3.5目标检测识别图片或者视频中目标以及目标的坐标位置。3.6交并比衡量预测框和真实框的重合程度指标。3.7准确率真实正样本占分类器判断正样本的比例。DB 54/T 0308202323.8召回率真实正样本占测试集正样本的比例。3.9F1 分数精确度与召回率的调和平均数。3.10平均精确度以Recall作为横轴，Precision作为纵轴，P-R曲线下的面积。4鱼类智能识别技术的构成4.1硬件设备鱼类智能识别技术的实施的硬件设备部署包含以下要素：图像采集设备：水下相机、高清视频摄像头、超声成像声呐等图像（含声学）采集设备，用于捕获鱼类图像和视频资料。存储设备：带有大容量硬盘的计算机、硬盘录像机、网络附属存储服务器（NAS）等实现存储功能硬件设备。处理单元：具备图像识别和目标检测算法所需计算资源的服务器、GPU 加速器等计算终端，用于处理复杂的计算任务。通讯器件：构建通讯网络所需的交换机、路由器、光纤转换器、网线、光纤等通讯设备或元器件，实现图像采集设备、存储设备、处理单元之间的数据通讯传输功能。4.2软件系统构成智能识别技术的软件系统主要包括以下几个部分：图像处理软件：对采集到的图像和视频流进行预处理的软件或软件模块。识别软件：使用机器学习或深度学习算法，根据西藏特有鱼类的形态特征，进行图像的分析和识别，获得的所需目标位置和尺寸等信息的团建或软件模块。数据库系统：包含西藏特有鱼类的形态特征数据库、实现对识别所得信息分类存储的软件或软件模块。用户接口：提供简洁明了的操作界面，使研究人员和工作人员能够轻松地查看识别结果和进行数据管理的软件模块。5硬件配置要求5.1应用场景水体浊度不高于 50 NTU 时，图像采集设备宜采用水下摄像机；浊度高于 50 NTU 时，宜采用水下摄像机和超声成像声呐同步进行图像采集。采用水下摄像机有效像素数应不低于 200 万。在需要使用声呐配合进行图像采集时，宜采用空间分辨力强于 5 mm 的多波束超声成像声呐。5.2应将所有图像采集设备的输出转化为统一格式的视频流，帧频不低于 25 fps。5.3采用人工智能工作站作为计算平台实施对目标图像识别的计算。工作站配置宜满足以下要求：a)中央处理器（CPU）主频高于 2.8 GHz，核心数量不低于 8 个，线程数不低于 16，缓存空间不小于 16 MB。DB 54/T 030820233b)显卡 CUDA 核心频率超过 1300 MHz，显存空间不低于 8 GB，显存位宽不低于 256 bit。c)内存不小于 32 GB，规格不低于 DDR4。d)配置固态硬盘，空间不小于 1 TB。5.4存储设备应自动持续存储采集设备输出的视频流，存储设备容量支持的连续存储视频流时间应高于 1 个月。5.5宜采用有线通讯模式组建局域网络，实现采集设备、存储设备、计算单元之间的稳定连接，采用的通讯协议应支持 25 fps 的视频流稳定传输。在不具备架设通讯线缆的场景下，可采用无线通讯方式，传输带宽应满足采集所得视频流实时传输的需求，网络延迟不应高于 100 ms，丢包率不应超过 1%。5.6所有硬件设备应在-20 35 环境中稳定工作，能应对 24 小时内 20 的温度变化。6软件要求6.1图像处理软件宜具备图像增强功能，可对图像或视频流进行降噪、对比度增强、分辨率调整，应保证处理速度满足 25 fps 帧率的实时性要求。6.2用于对采集图像进行标注的软件应具备图像标注功能。6.3识别软件应具备鱼类科属识别能力，同时识别的鱼种数量应多于 2 种。6.4识别软件的整体准确率不应低于 85%，各鱼种准确率不应低于 80%，召回率不应低于 80%，F1 分数不应低于 85%，平均精确度不应低于 80%。6.5识别软件应具备对采集设备所得视频流实时识别分析的能力，处理速度应高于每秒 25 帧图像7实现步骤智能识别技术的实现过程包括以下关键步骤：a)图像采集设备部署：在适当位置部署图像采集设备，并确保其与存储设备和计算单元连接良好。b)软件安装与配置：在计算处理单元上安装图像处理程序和识别算法程序，并进行软件环境配置，保障可实现长期稳定运行。c)数据收集：通过图像采集设备收集西藏特有鱼类的图像和视频数据。d)训练数据集制作：对采集的数据进行种类标注，制成格式统一的训练数据集。e)算法训练：使用标注的数据集使用识别算法进行训练。f)系统集成测试：将硬件与软件系统进行集成，并进行全面的测试，包括识别精度、系统响应速度和稳定性测试。g)运行监测：系统投入使用后，持续监测其性能，并根据反馈进行优化。8图像采集设备部署8.1参考 HJ1075-2019，测定环境水体浊度不高于 100 NTU，尽量避免水体波动。8.2当测量环境照度低于 10 lx 时，宜采用补光设备，并根据西藏区域水域里特有鱼类对光照的行为习性适当调节光照强度、颜色。补光设备光源的入射角度与拍摄角度的夹角宜低于 60。8.3选择稚鱼和成鱼进行拍摄，分类标准见 HJ710.7。9训练数据集制作DB 54/T 0308202349.1识别软件应采用经过标注后的图片数据集进行模型训练，图片宜采用鱼类识别应用场景下的采集设备实际拍摄的照片或视频截图。9.2用于训练的图片数据集应分鱼种分别进行标注，每种鱼类的数据集均应包含以下内容：a)不少于 1000 张鱼类静态整体特征图像，参考 HJ710.7 术语和定义，提取全长和体长信息。b)不少于 1000 张鱼类扭动（游动，扭头，转身等）等形态下的动态图像。c)不少于 1000 张鱼类局部特征图片。9.3在对图像进行标注前可采用图像增强方法对原图像附加信息或变换数据，突出图像有效信息，消除噪声干扰。9.4采用标注软件分别标注，生成对应的类，真实框的坐标信息等。相关示例见附录 A。9.5标注后应生成统一格式的 XML 文件，主要包括鱼类图像的长宽以及通道数量、录标注目标鱼类的类别信息和所在图像上的坐标信息。相关示例见附录 B。9.6宜采用 PASCAL VOC2007 格式来制作数据集，数据集中 80%数据组成训练集、10%数据组成验证集，10%数据组成测试集。9.7当采用超声成像声呐进行图像采集时，应采用所得超声图片标注形成独立的数据集，与水下摄像机所得图片数据集分开使用。10算法训练10.1将制作好的数据集输入到目标检测框架进行训练，构建神经网络模型。10.2将待识别的鱼类图像输入到神经网络模型中，待模型检测完毕后，能自动输出鱼类的种类，西藏特有鱼类种类识别结果示例见附录 C。10.3应采用整体准确率、各鱼种准确率、召回率、F1 分数、平均精确度评估算法性能。11评价指标获取与计算方法11.1为确保西藏特有鱼类智能识别技术的准确性，应进行识别算法的准确率验证。11.2验证数据集应包含所有需要检测的鱼种和充足的样本数量，且每个样本都有准确的标注。11.3将数据集按 8：2 随机划分为训练集和验证集，以便独立评估模型性能。训练集用于识别技术模型训练，验证集在训练过程中用于测试神经网络对训练集中未出现数据的分类性能，根据神经网络在验证集的性能情况，得到各评价指标大小。11.4采用 Positive 和 Negative 表示预测得到的结果，若 IoU 值大于设定的阈值，则预测为正类Positive，若 IoU 值小于设定的阈值，则预测为负类 Negative。阈值宜设定为 0.3。采用 True 和 False则表示预测的结果和真实结果是否相同，相同则是 True，不同则为 False。依据预测值和真实值的属性对目标分别归类计算数量。分类方法见表 1。表 1正负样本划分预测值：Positive预测值：Negative真实值：PositiveTrue Positive，计入正确识别的鱼类数量False Negative，计入漏检的鱼类数量真实值：NegativeFalse Positive，计入错误识别的鱼类数量True Negative，不计入数量11.5准确率即分类器认为是正样本并且确实是正样本的部分占所有分类器判断为是正样本比例。=+(1)DB 54/T 030820235式中：P 样本准确率（%）；NTP 样本中正确识别的鱼类数量；NFP 样本中错误识别的鱼类数量。11.6对样本中所有鱼类进行检测，所有结果进行统一计算所得的准确率为整体准确率。筛选单一鱼种的识别结果进行分析计算，所得准确率为该鱼种准确率。11.7召回率即分类器认为是正样本并且确实是正类的部分占所有测试集中正样本的比例。=+(2)式中：R 样本召回率（%）；NFN 样本中漏检的鱼类数量。11.8F1 分数为兼顾分类模型的准确率和召回率指标。1=2+(3)式中：F1 样本的F1分数。11.9平均精确度用来度量模型预测框类别和位置是否准确。AP（Average Precision）是以召回率作为横轴，准确率作为纵轴，把 P-R 曲线下的面积当做衡量模型的尺度。=01()?(4)式中：AP 样本的平均精确度。11.10当鱼类种类数大于 1 时，应评估模型对所有目标鱼种的平均精确度。=1=1?(5)式中：mAP 样本中所有鱼种的平均精确度；Ai 样本的第i种鱼的平均精确度；n 样本的鱼种数量。DB 54/T 030820236AA附录A（资料性）目标鱼类标注图 A.1 采用 LabelImg 软件进行标注示意图DB 54/T 030820237BB附录B（资料性）XML 标签文件表 B.1 典型 XML 标签文件结构图DB 54/T 030820238CC附录C（资料性）西藏区域水域里特有鱼类种类识别结果A尖裸鲤识别B巨须裂腹鱼识别C拉萨裂腹鱼识别D异齿裂腹鱼识别图 C.1 西藏区域水域内特有鱼类识别结果示意图