买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西南大学申请的专利一种高精度鱼类体态测量方法、设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119049087B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411147457.5，技术领域涉及：G06V40/10；该发明授权一种高精度鱼类体态测量方法、设备及存储介质是由周朝伟;刘海平;雷骆;高贺;周银华;付宿星设计研发完成，并于2024-08-20向国家知识产权局提交的专利申请。

本一种高精度鱼类体态测量方法、设备及存储介质在说明书摘要公布了：本发明提供了一种高精度鱼类体态测量方法、设备及存储介质，基于构建的鱼类体态测量模型实现测量方法，模型包括鱼类图像增强模块、鱼类目标检测模块和鱼类体态测量模块；鱼类图像增强模块基于生成对抗网络架构设计，包括生成器网络和判别器网络，其中生成器网络引入辅助引导模块，用于提取目标域图像的多尺度特征细节来引导生成器网络的生成过程；鱼类目标检测模块基于YOLOV8模型建立，用于获取鱼的位置信息，并输出矩形框标注后的检测图像；鱼类体态测量模块，基于矩形框标注后的检测图像进行实际长度测量。本发明巧妙设计模型结构和训练损失函数，实现了对鱼类图像的增强、目标检测与体态测量，极大地提高了鱼类体态测量的效率和可靠性。

本发明授权一种高精度鱼类体态测量方法、设备及存储介质在权利要求书中公布了：1.一种高精度鱼类体态测量模型构建方法，其特征在于，包括以下过程：S1，制作鱼类图像数据集，包括鱼类图像的采集与标注；S2，构建鱼类图像配对数据集，包括含有噪声的鱼类图像数据以及去噪增强后的鱼类图像数据；S3，构建鱼类体态测量模型，模型包括鱼类图像增强模块、鱼类目标检测模块和鱼类体态测量模块；所述鱼类图像增强模块基于生成对抗网络GAN架构设计，包括生成器网络和判别器网络，用于对获取的鱼类图像进行图像增强；其中生成器网络引入辅助引导模块，用于提取目标域图像的多尺度特征细节来引导生成器网络的生成过程；所述鱼类图像增强模块中生成器网络和判别器网络的具体结构为：生成器网络采用编码器堆叠结构和解码器堆叠结构，编码器堆叠结构由卷积层、ReLU激活函数和下采样池化层组成，对输入鱼类图像Si进行逐步特征提取和下采样，编码器堆叠结构表示为：Hi＝fencSi；Wenc其中，Hi为编码器堆叠结构的输出，同时也是输入图像Si在潜在特征空间中的表示；fenc·表示编码器堆叠结构；Wenc为编码器堆叠结构的可训练权重参数；编码器堆叠结构包含3层卷积操作和下采样操作，第j层的计算过程为： 其中，为第j层输出的特征图；为前一层的输出；Conv·为卷积操作；Wencj为第j层的卷积核权重；ReLU为线性激活函数；DownPool·为下采样池化操作；通过3层卷积和下采样，最终编码器堆叠结构输出是一个长度为256的向量Hi，作为输入图像Si的编码特征表示；解码器堆叠结构用于将编码器堆叠结构输出的潜在特征向量Hi重构回原始的输入数据；解码器堆叠结构为编码器堆叠结构的反向对称结构： 其中，为解码器的输出，即重建后的图像；fdec·为解码器堆叠网络；Wdec为解码器堆叠网络的可训练权重参数；解码器堆叠网络包含3层上采样操作和反卷积操作，第j层的计算过程为： 其中，为第j层的输出特征图；为前一层的输出；ConvT·为反卷积操作；Up·为上采样池化操作；通过3层上采样和反卷积操作，解码器堆叠结构将编码特征Hi逐步重建为与原始输入Si相同分辨率的图像判别器网络用于在训练过程中判别生成器网络输出鱼类图像的质量高低；将待判别的鱼类图像Gi切分为2*2的小区域块，之后分别将这4个区域块分别输入判别器网络中，最后将判别器的所有结果取平均作为综合判别结果，计算公式如下： 其中，为第j个待判别图像的第τ区域块，D为判别器判别结果，Dis·为判别器处理函数；所述鱼类目标检测模块基于YOLOV8模型建立，用于获取每一尾鱼的位置信息，并输出矩形框标注后的检测图像；所述鱼类体态测量模块，基于矩形框标注后的检测图像，用于计算输出图像中目标矩形框的实际尺寸，目标矩形框的实际宽度为鱼类的体长，实际高度为鱼类的体高；S4，通过设计得到的鱼类图像增强模块训练损失函数和鱼类目标检测模块训练损失函数，并基于构建的配对图像数据集进行模型训练，获取最终鱼类体态测量模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南大学，其通讯地址为：400700 重庆市北碚区天生路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。