(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210242596.0 (22)申请日 2022.03.11 (71)申请人 宁波工程学院 地址 315211 浙江省宁波市海曙区翠柏路 89号 (72)发明人 李中雪　郑昱寒　罗可昕　刘辰　 (74)专利代理 机构 宁波博灵知识产权代理事务 所(普通合伙) 33424 专利代理师 刘晓芳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) B08B 3/02(2006.01) (54)发明名称 一种淡水养殖用网衣的附着物识别处理方 法 (57)摘要 本发明提供一种淡水养殖用网衣的附着物 识别处理方法， 其特征在于， 所述方法包括步骤： 于待清洗网衣抬升装置将网衣拉起一目标高度 后， 获取目标范围内的待检测 网衣图片； 对待检 测网衣图片进行识别， 判断目标范围内的待清洗 网衣是否存在异物并获取异物信息； 将异物信息 传递至清洗装置， 清洗装置根据异物信息调整水 压强度及冲洗时间， 清洗装置中的清洗水枪对目 标范围内的待清洗网衣进行清洗； 将无异物信息 传递至清洗装置， 清洗水枪按照无异物冲洗标准 对网衣的目标范围内进行冲洗； 网衣抬升装置将 网衣继续拉起一目标高度后， 判断目标范围内是 否还存在网衣。 上述方法针对不同的异物类型采 用不同的冲洗强度和时间， 以保证冲洗 干净。 权利要求书2页 说明书7页 附图5页 CN 114627332 A 2022.06.14 CN 114627332 A 1.一种淡水养殖用网衣的附着物 识别处理方法， 其特 征在于， 所述方法包括 步骤： S1、 于待清洗网衣抬升装置将网衣拉起一目标高度后， 获取目标范围内的待检测网衣 图片； S2、 对待检测网衣图片进行识别， 判断目标范围内的待清洗网衣是否存在异物并获取 异物信息， 若 有， 执行步骤S3； 否则， 执 行步骤S4； S3、 将异物信息传递至清洗装置， 清洗装置根据异物信 息调整水压强度及冲洗时间， 清 洗装置中的清洗水枪对目标范围内的待清洗网衣进行清洗， 其中异物信息包括一一对应的 异物类别信息和异 物位置信息， 执 行步骤S5； S4、 将无异物信息传递至清洗装置， 清洗水枪按照无异物冲洗标准对网衣的目标范围 内进行冲洗， 执 行步骤S5； S5、 网衣抬升装置将网衣继续拉起一目标高度后， 判断目标范围内是否还存在网衣， 若 有， 执行步骤S1， 否则， 结束。 2.根据权利要求1所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 目标范 围的高度不小于目标高度， 宽度不小于网衣的宽度。 3.根据权利要求2所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 目标范 围的高度不高于清洗水枪的清洗高度。 4.根据权利要求1所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 步骤S3 包括步骤： S31、 清洗装置接收异物信息， 根据异物信息中异物类别信息调取冲洗信息， 组成清洗 数据； S32、 清洗装置根据清洗数据调整清洗水枪在不同的位置采用不同的冲洗强度以及冲 洗时间， 以保证能够足够清洗掉异 物。 5.根据权利要求4所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 通过控 制清洗水枪的移动速度控制实现对冲洗时间的调整。 6.根据权利要求1所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 步骤S2 包括步骤： S21、 将待检测网衣图片进行 预处理获取待检测预处 理图片； S22、 将待检测预处理图片输入至检测网络模型后， 获取检测标签及检测标签对应的位 置信息； S23、 判断检测标签是否全部为0， 若是， 执 行步骤S24； 否则， 执 行步骤S25； S24、 获取不为0的检测标签对应的异物类别信息， 将异物类别信息及位置信息组成异 物信息， 执 行步骤S3； S25、 获取 无异物信息， 执 行步骤S4。 7.根据权利要求6所述的淡水养殖用网衣的附着物识别处理方法， 其特征在于， 检测网 络模型的获取 方法包括 步骤： S61、 采集大量的带有异物的图片作为数据集， 并对图片中的异物进行分类， 分别对应 的标签为{0， 1， 2， …， N}， 并将数据集按比例分别分为训练集、 验证集以及测试集， N 正整数； S62、 将数据集的所有原 始的RGB图片转 化为3通道图片， 再进行归一 化处理； S63、 将训练集中所有的图片按照标签进行分类存 储， 获取N个训练图片组；权　利　要　求　书 1/2 页 2 CN 114627332 A 2S64、 对训练集中的训练照片进行预处理并获取迭代信 息， 迭代信息包括预处理后的训 练照片以及训练照片对应的标签信息； S65、 将迭代信息输入神经网络， 利用优化器对所有的图片进行全局训练， 降低交叉熵 损失直到训练次数达 到设定的最大值， 并记录最终的训练权 重； S66、 将预处理好的测试集图片输入到载入了训练权重的神经网络 中， 根据预测结果和 真实结果， 获取损失率和准确率； S67、 选择最优损失损失率和最优准确率下的模型作为 最优检测网络模型。权　利　要　求　书 2/2 页 3 CN 114627332 A 3