基于改进ResNeXt50残差网络的锦鲤选美方法

锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦鲤的选美等级数据集。其次,采用迁移学习策略提高训练速度,并从SE注意力模块、Hardswish激活函数和Ranger优化器3方面对ResNeXt50模型进行了改进,构建了SH-ResNeXt50锦鲤选美分级模型。试验结果表明:SH-ResNeXt50模型有效提升了锦鲤选美的等级分选能力,模型准确率达95.6%,损失值仅0.074,优于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50网络模型。最后,采用Grad-CAM分析SH-ResNeXt50模型的可解释性,结果表明SH-ResNeXt50模型和人工识别的感兴趣区域基本一致。本文所提出的方法实现了具有高相似度的锦鲤不同等级的智能分选,对其它具有高相似度的生物等级分选具有借鉴意义。

基于改进Faster R-CNN的海参目标检测算法

海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了多尺度特征提取层和实例分割功能,提高了算法的自适应特征融合能力,从而提高了模型在复杂环境下对不同尺寸海参的识别能力。实验结果表明:本文方法对海参检测的平均精度均值(mAP)达到94.47%,与Faster R-CNN、SSD、YOLO v5、YOLO v4、YOLO v3相比分别提高4.49、4.56、4.46、11.78、22.07个百分点。