基于多阶段特征提取的鱼类识别研究

鱼类自动识别在海洋生态学、水产养殖等领域应用广泛。受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性。提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别。该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性。为验证模型的性能,构建了一个500类、含32768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8%,优于现有的主流目标识别方法。利用公开的蝴蝶数据集对该模型进行泛化性能验证,多组消融实验进一步验证了所提算法的有效性。

基于深度学习的鱼类识别相关技术研究现状及展望

为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。

基于特征融合的FL-BCNN鱼类识别算法研究

为了解决水下相机设备捕获的鱼类图像质量差、数据量不均匀等难以准确识别鱼类的问题,提出一种基于特征融合的FL-BCNN鱼类识别算法。对B-CNN算法进行改进,融合不同卷积层的特征,提高细粒度特征的表达能力,解决了图像质量差引起的特征不明显的问题。利用焦点损失函数(Focal Loss)解决样本数据不平衡的问题,提高水下鱼类图像的识别能力。利用F4K(15)数据集与四个已有算法进行鱼类识别对比实验。实验结果表明,FL-BCNN鱼类识别算法的识别精度较高,具有较好的识别速度,可以有效解决鱼类识别中样本不平衡的问题。

“鱼类识别与资源调查”课程思想政治探索与实践

中国是水产养殖大国,渔业发展迅速,且正处于产业转型的关键时期,对具有先进养殖技术和优秀思想品质的高素质渔业技术技能人才的需求十分强烈。鱼类识别与资源调查课程是渔业类专业的重要基础课程,其知识体系中蕴含着丰富的思想政治元素,在课程中开展教育,能有力提升学生的思想政治素养。文章结合江苏农牧科技职业学院的教学实践,对鱼类识别与资源调查课程中蕴含的思想政治元素进行了分析,从教学目标、教学设计、教学方法与手段、教学评价等方面剖析了课程教学策略,旨在为鱼类识别与资源调查课程的设计与实施提供参考。

基于迁移学习的非约束环境下热带鱼类识别

针对海底非约束环境下视频背景多模、环境变化复杂导致图像识别困难的问题,提出基于迁移学习的非约束环境下热带海域鱼类识别方法。首先构建ResNet深度卷积神经网络;其次引入迁移学习进行网络训练,对比迁移学习前后的识别效果。结果表明,在引入迁移学习下,accuracy和loss指标均优于非迁移学习的情况,并且在训练到150个epoch时,各项指标开始收敛,能够较好地完成非约束环境下热带海域的鱼类识别任务。

基于迁移学习的PSO-Shuffle Net鱼类识别方法

针对传统深度学习鱼类识别方法正确率较低、模型训练过程中参数不能够自适应确定的问题,提出了一种基于迁移学习(Transfer Learning,TL)的粒子群(Particle Swarm Optimization,PSO)改进ShuffleNet鱼类识别方法。以20种鱼类为对象,采用粒子群算法将模型的损失函数作为适应度函数,对批处理大小和学习率两个超参数进行优化,并利用迁移学习方式进行训练,构建了TL-PSO-ShuffleNet模型。结果显示:该方法与AlexNet、MobileNet、ShuffleNet模型相比,识别正确率分别提高了57.89%、30.43%、23.28%。本研究提出的鱼类识别方法具有正确率较高、参数设定具备自适应性等特点,为鱼类自动化识别研究提供了参考和借鉴。

基于改进的Mask R-CNN的鱼类识别算法研究

水下鱼类是重要的地球生物资源。针对现有的深度学习模型在水下鱼类图像识别场景中识别效果不佳的问题,提出了一种基于改进的Mask R-CNN的鱼类识别算法模型。首先,采用深度残差网络和特征金字塔结构对水下鱼类图像进行特征提取;其次,选用区域候选网络针对特征图生成感兴趣区域;然后,通过改进的Soft NMS算法对感兴趣区域进行后处理以减少对鱼类目标候选框的误检率;最后,在头部网络中添加级联结构对特征区域进行微调以提升鱼类识别精度。在Fish4knowledge数据集上的对比实验结果表明,改进的鱼类识别算法的平均精度均值为87.4%,相对于基线算法模型精度提升了3.6%。所提算法能够有效提高水下鱼类识别精度,同时减少误检率,提升泛化性能,对我国水下鱼类资源的开发利用具有重要的学术价值和经济价值。

改进残差网络的海水养殖鱼类识别与分类研究

为了满足海水养殖行业不断提高的智能化需求,对海洋鱼类的识别和分类算法进行研究。采用多重残差网络进行鱼类识别及分类,不仅降低计算复杂度,同时加快了残差网络的学习速度;引入指数线性单元(ELU)改进网络的标准残差模块,对输入的负激活值部分进行非线性变化,其参数可通过卷积训练进行自适应学习,同时保持正激活值部分不变,解决了传统残差模块中ReLU层将包含有用信息的负激活值完全丢弃的问题,以降低梯度消失的概率。在海洋鱼类识别与分类的多次实验中,改进的残差网络准确率均不低于95.48%,表明改进算法拥有较高的识别准确率和良好的稳定性。

基于SVM的决策融合鱼类识别方法

为解决基于声学散射数据的高精度鱼类识别问题,提出一种基于SVM的多方位声散射数据决策层融合的鱼类识别方法。利用小波包变换(WPT)和离散余弦变换(DCT)方法对多方位声散射数据进行特征提取,并进行特征降维处理。然后采用SVM分类器对每个方位提取的特征做出多次决策,并输出最终识别结果。采用3种不同鱼类作为研究对象,设计了可靠的获取多方位声散射数据的实验方案,给出不同方位数量条件下,基于WPT和DCT特征量的识别率。理论分析及实验数据处理结果表明,随着方位数量的增加,总体识别率呈升高的趋势,基于SVM的多方位声散射数据决策层融合方法可以有效提高识别率至90%以上。

基于鱼体背部弯曲潜能算法的四种主养鱼类识别

以四种主养淡水鱼鲫(Carassius auratus)、草鱼(Ctenopharyngodon idellus)、团头鲂(Megalobrama amblycephala)、鲤(Cyprinus carpio)为例,提出一种基于图像处理技术的鱼种类自动识别方法。首先通过鱼体信息采集系统获取待识别鱼体图像,并对其进行灰度化与二值化,得到鱼体轮廓信息;然后采用邻域边界算法对鱼体的轮廓进行提取,根据轮廓曲线建立鱼体背部轮廓数学模型;最后根据轮廓模型,采用鱼体背部弯曲潜能算法对不同种类鱼体样本的背部弯曲潜能值进行计算和聚类统计,得到不同鱼类样本的背部弯曲潜能值分布区间,从而通过比对待识别鱼体背部弯曲潜能值的区间实现对不同鱼类的自动识别。对四种主养鱼类的实验测试结果表明,对团头鲂的识别精度可以达到100%,对鲫、鲤和草鱼的识别精度达到96%,基本上能准确实现四种鱼体的分类识别,具有较好的实际应用价值。

自适应分段时域质心特征在鱼类识别中的应用

提出了一种基于时域质心的时域自适应分段方法。该方法以时域质心为依据对信号的时域进行划分,在划分的各个子段内计算时域质心,并将其作为下一层划分的分割点。各个子段内的时域质心反映了信号的能量分布特性,可作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取自适应分段时域质心特征,并使用BP神经网络分类器成功进行了分类。结果表明:利用自适应分段时域质心特征可对不同形状的鱼类进行识别,且具有较高的识别率。

基于FTVGG16卷积神经网络的鱼类识别方法

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。

基于迁移学习的鱼类识别方法研究

近些年水下图像资源已经引起海洋生态学家对鱼类种群研究的关注,鱼品种的识别既是海洋鱼类资源探测的第一步,也是有效开发利用海洋资源的重要基础,而自动化的鱼品种的分类识别也将提高在该领域的研究效率。利用迁移学习的强大能力和巨大优势,不需要手动计算图像特征,神经网络使用原始图像作为输入,将其运用到鱼类图像的识别方面。该文提出了一种基于AlexNet预训练模型和迁移学习技术的鱼类识别方法,使用预训练的AlexNet网络从鱼类数据集的前景图像中提取特征,对网络模型进行微调,最后利用线性支持向量机分类器完成分类。通过研究卷积神经网络的架构,激活函数和数据增强对识别结果的影响,经过大量对比实验验证了所提出的网络模型的有效性,提高了鱼类识别的准确率。

基于分层精简双线性注意力网络的鱼类识别

由于水下鱼类图像采集困难,现有的数据集主要以视频提取为主,采集到的鱼类图像存在背景环境复杂、像素低下等问题,使得细粒度鱼类图像识别任务难度较大。针对上述问题,提出了一种基于空间域注意力机制和分层精简双线性特征融合的网络。识别网络可进行端到端的训练,由两部分组成:第一部分是以空间变换网络(STN)为注意力机制的背景过滤网络;第二部分以vgg16网络作为特征提取器,根据高层卷积部分对鱼类图像细粒度特征响应的差异性,选取三组特征进行降维近似的网络精简融合,最终级联三组融合的特征送入softmax分类器。特征提取网络以ImageNet数据集上训练的参数进行初始化,采用鱼类数据集进一步微调。通过在F4K鱼类数据集上的对比验证,结果表明,所提出的分层精简双线性注意力网络(STN-H-CBP)在降低特征维度减少计算量的同时,在该数据集上的表现与现有的最优方法相当。

鱼类识别小程序设计与实现

以微信小程序为载体,开发了一款可识别鱼类的微信小程序。该小程序可通过拍照或上传图片来识别鱼类,并具有搜索、一句话提示、识别记录和分享等功能,界面生动,功能完整;在后端则开发了识别脚本调用、数据库读取和识别日志等模块。该软件可为渔业资源调查人员、鱼类知识爱好者及垂钓爱好者提供鱼类识别功能,也可为手机识别软件开发者提供借鉴。

基于机器视觉技术的鱼类识别研究进展

随着机器视觉技术的快速发展,物体识别技术逐渐成为机器视觉技术研究的核心内容。而鱼类识别技术可以辅助海洋特定鱼类物种的分布调查统计、海洋生态系统监测以及水族馆自动识别出鱼类种类信息等。通过比较基于特征值、相关系数、分级分类、支持向量机、神经网络等机器视觉技术的鱼类识别方法,介绍了有关鱼类识别技术的研究背景应用、软硬件系统环境搭建、鱼类特征提取以及基于机器视觉鱼类识别技术存在的问题与展望。

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。

鱼类识别程序在教学、科普和科研中的应用

随着人工智能技术的发展和智能手机的普及,各大涉渔研究所或公司开发出了以手机为载体的鱼类识别软件,应用于教育、科普和科研等场景。课题组选择了5款不同的鱼类识别程序,对识别准确性和识别功能进行比较,探讨了鱼类识别程序在鱼类学教学和科普、科研中的应用,分析了各软件在使用中存在的利弊,以期为在高校或涉渔研究所鱼类学、渔业资源、水产养殖等领域的专业人员开展鱼类学教学提供有价值的参考。

基于ResNet的典型养殖鱼类识别方法研究

水下目标精准识别对指导养殖生产、辅助养殖决策具有十分重要的作用,而目标识别精度和运行效率是影响识别技术深入应用的关键问题。针对鱼类识别产业应用需求,以ResNet(Residual Neural Network)框架为核心,通过比较分析不同框架结构对鱼类识别精度和效果的影响,确定适用于典型养殖鱼类识别的ResNet网络结构形式。首先,采用多相机同步采样方式,获取不同姿态鱼类图像,满足高柔性、多姿态的运动目标样本集构建需要;其次,为了提升样本对不同背景的适应能力,选取具有不同背景的目标鱼类图像,丰富图像样本集;然后,以典型的ResNet18、ResNet34、ResNet50框架结构为比较模型,分析不同结构在识别效率和识别精度方面的整体效果。结果显示,ResNet50识别精度最高,达到95.47%,ResNet34次之,达到95.03%,但ResNet50识别效率比ResNet34降低20.43%,综合考虑识别精度和识别效率,ResNet34更加适用于大样本量鱼类图像的识别分类。

基于迁移学习的复杂场景海洋鱼类识别方法

针对海洋渔业监管复杂场景下鱼类识别面临的方法落后及系统性理论研究缺乏等问题,提出一种基于迁移学习模型融合的识别方法。通过ImageNet数据集获取预训练模型InceptionV3,把其特征提取部分作为实验模型的特征提取器,在特征提取器后接入AveragePooling层和Softmax分类层,形成新的训练网络;通过NCFM数据集对新的训练网络进行十折交叉验证,得到十个新的鱼类识别模型,进行模型融合后,识别准确率达到97.368%,比单纯新网络模型提高了29.868%。实验结果表明,该方法在复杂场景下的鱼类识别准确率及其泛化性等性能均优于已有相关方法,能够为渔业捕捞监管系统的智能化升级提供可靠的技术支撑。