《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的魚類識(shí)別與檢測(cè)的算法研究
基于深度學(xué)習(xí)的魚類識(shí)別與檢測(cè)的算法研究
《信息技術(shù)與網(wǎng)絡(luò)安全》2020年第8期
王文成1,,蔣 慧1,,喬 倩1,,祝捍皓2,鄭 紅2
1.浙江海洋大學(xué) 船舶與機(jī)電工程學(xué)院,,浙江 舟山316022,; 2.浙江海洋大學(xué) 海洋科學(xué)與技術(shù)學(xué)院,浙江 舟山316022
摘要: 魚類分類識(shí)別在漁業(yè)資源研究,、魚類知識(shí)的科學(xué)推廣,、水產(chǎn)養(yǎng)殖加工、稀有物種保護(hù)等領(lǐng)域具有廣泛的應(yīng)用前景,。針對(duì)大菱鲆,、黃鰭鯛、金錢魚,、鯔魚這四種魚類,,利用PyTorch框架為基礎(chǔ),通過(guò)ResNet50網(wǎng)絡(luò)模型,,用不同的算法對(duì)其進(jìn)行分類識(shí)別,,不斷對(duì)模型進(jìn)行優(yōu)化,對(duì)四種魚類訓(xùn)練學(xué)習(xí),,通過(guò)測(cè)試其準(zhǔn)確率達(dá)到96%以上,。同時(shí)用PyQt5開發(fā)了GUI可視化界面,通過(guò)界面圖片的選擇和預(yù)測(cè)功能按鈕的操作,,測(cè)試結(jié)果實(shí)際類別與預(yù)測(cè)類別一致,,用DSOD框架做了水下目標(biāo)實(shí)時(shí)跟蹤檢測(cè),,提高了對(duì)小目標(biāo)的檢測(cè)率,,同時(shí)保持了模型的檢測(cè)速度,檢測(cè)結(jié)果達(dá)到期望,。
中圖分類號(hào):
文獻(xiàn)標(biāo)識(shí)碼: A
DOI: 10.19358/j.issn.2096-5133.2020.08.011
引用格式: 王文成,,蔣慧,喬倩,,等. 基于深度學(xué)習(xí)的魚類識(shí)別與檢測(cè)的算法研究[J].信息技術(shù)與網(wǎng)絡(luò)安全,,2020,
39(8):57-61,,66.

Research on fish recognition and detection algorithm based on deep Learning
Wang Wencheng1,,Jiang Hui1,Qiao Qian1,,Zhu Hanhao2,,Zheng Hong2
1.College of Shipping and Electromechanical Engineering,Zhejiang Ocean University,,Zhoushan 316022,,China,; 2.College of Marine Science and Technology,Zhejiang Ocean University,,Zhoushan 316022,,China
Abstract: Fish classification and identification has broad application prospects in the fields of fisheries resource research, scientific promotion of fish knowledge, aquaculture processing, and protection of rare species. In this paper, for the four species of turbot, yellowfin snapper, golden fish, mullet, based on the PyTorch framework, the ResNet50 network model is used to classify and identify them with different algorithms, and the model is continuously optimized. The accuracy rate of fish training is 96%. At the same time, the GUI visual interface was developed with PyQt5. Through the selection of interface pictures and the operation of the prediction function button, the actual category of the test results is consistent with the predicted category. The real-time tracking and detection of underwater targets was done using the DSOD framework, which improved the detection rate of small targets. At the same time, the detection speed of the model is maintained, and the detection results meet expectations.
Key words : PyTorch framework;ResNet50 network,;PyQt5 visual interface,;DSOD target detector



         海洋作為地球上最大的生態(tài)系統(tǒng)包含極其豐富的生物和非生物資源。雖然我國(guó)海洋面積有300多萬(wàn)平方千米,,但是漁業(yè)資源作為海洋資源中重要的一項(xiàng)資源,,近年來(lái)呈現(xiàn)逐漸衰退趨勢(shì)。對(duì)周圍海域內(nèi)海底環(huán)境進(jìn)行實(shí)時(shí)監(jiān)測(cè),,分析研究海域中代表性魚類的分布概況及生活習(xí)性,,對(duì)于漁業(yè)資源可持續(xù)發(fā)展、探測(cè)未知生物資源有著重要意義,。

         目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域重要的研究方向之一,。隨著科學(xué)技術(shù)的進(jìn)步、計(jì)算硬件設(shè)備水平的提高,,基于深度學(xué)習(xí)的目標(biāo)識(shí)別檢測(cè)方法受到了人們廣泛關(guān)注,。杜衛(wèi)東等提出一種基于支持向量機(jī)(SVM)的多方位聲散射數(shù)據(jù)決策融合的魚類識(shí)別方法,識(shí)別準(zhǔn)確率達(dá)到90%以上,,姚潤(rùn)璐等通過(guò)分割魚體,,獲得魚肚、魚背圖像,,通過(guò)提取紋理特征和形狀特征,,識(shí)別率達(dá)到75%,相較于傳統(tǒng)的目標(biāo)檢測(cè)算法,,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的目標(biāo)檢測(cè)算法通過(guò)學(xué)習(xí)自動(dòng)提取顏色,、輪廓等底層的特征和更高級(jí)、抽象的特征,,然后利用分類模型進(jìn)行分類檢測(cè),,其檢測(cè)結(jié)果具有更高的精度和魯棒性。林明旺等采用VGG16模型進(jìn)行魚類分類識(shí)別,,但是數(shù)據(jù)集背景干擾強(qiáng)度大,,雖然進(jìn)行微調(diào),穩(wěn)定性仍然不好,。王文成等用ResNet50網(wǎng)絡(luò)模型對(duì)十種魚類做了分類識(shí)別,,準(zhǔn)確率達(dá)到了93.33%,但是數(shù)據(jù)集數(shù)量有限,,識(shí)別精度不高,;張俊龍等提出在預(yù)處理過(guò)程中使用權(quán)重化卷積操作,,對(duì)海洋魚類識(shí)別準(zhǔn)確率提升23%,在視頻觀測(cè)中精準(zhǔn)識(shí)別魚類;梁紅等通過(guò)對(duì)圖像進(jìn)行水下降噪的方法,,并且對(duì)預(yù)訓(xùn)練的網(wǎng)絡(luò)微調(diào)參數(shù),,在海洋魚類數(shù)據(jù)集上識(shí)別準(zhǔn)確率達(dá)到85.08%。

         基于CNN的目標(biāo)檢測(cè)算法依據(jù)是否需要提取候選區(qū)域分為:基于有候選區(qū)域的目標(biāo)檢測(cè)算法和基于無(wú)候選區(qū)域的目標(biāo)檢測(cè)算法兩種,。區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN),、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast R-CNN)、超快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN),,都屬于代表性的基于候選區(qū)域的目標(biāo)檢測(cè)算法,。該類算法從圖像中事先提取一系列可能的對(duì)象候選區(qū)域,然后從這些候選區(qū)域中提取特征并進(jìn)行判斷分類,。2019年,,袁紅春等人利用Faster R-CNN目標(biāo)檢測(cè)方法應(yīng)用到水下魚類種類識(shí)別中,識(shí)別準(zhǔn)率達(dá)到98.12%,。該類算法的檢測(cè)準(zhǔn)確率較高,,但是處理速度較慢,。無(wú)候選區(qū)域的目標(biāo)檢測(cè)算法的代表性算法有單級(jí)式目標(biāo)檢測(cè)(YOLO),、單點(diǎn)多盒檢測(cè)器(SSD)及其改進(jìn)的算法YOLO v2和深度監(jiān)督對(duì)象檢測(cè)器(DSOD)。此類算法去除候選區(qū)域提取過(guò)程,,使用神經(jīng)網(wǎng)絡(luò)直接將一整張圖片輸入神經(jīng)網(wǎng)絡(luò),,然后預(yù)測(cè)出bounding box的坐標(biāo)和物體的類別,、置信度,,檢測(cè)物體速度較快,。李慶忠等對(duì)YOLO實(shí)時(shí)目標(biāo)檢測(cè)算法進(jìn)行了改進(jìn),,采用遷移學(xué)習(xí)法訓(xùn)練網(wǎng)絡(luò),,預(yù)處理中圖像增強(qiáng)以及視頻幀數(shù)檢測(cè)速率上做了改變,,該算法提升了對(duì)海底小目標(biāo)檢測(cè)的性能,但存在檢測(cè)精度低,、檢測(cè)小目標(biāo)會(huì)有遺漏等問(wèn)題,。SSD算法同時(shí)融合了proposal-free的提取和Faster R-CNNs算法的優(yōu)點(diǎn),,與其他檢測(cè)算法相比,,即使輸入圖像尺寸小,SSD依然有更好的精度,。DSOD是一種改進(jìn)的SSD網(wǎng)絡(luò)框架算法。相比于SSD目標(biāo)檢測(cè)算法,,DSOD整個(gè)網(wǎng)絡(luò)采用密集的短連接和通道拼接技術(shù),,使得DSOD 的模型參數(shù)更小,同時(shí)能直接在目標(biāo)數(shù)據(jù)集上進(jìn)行訓(xùn)練,,而無(wú)需在ImageNet、COCO,、PASCAL VOC等公開數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。

         基于上述的分析,,由于分類識(shí)別和檢測(cè)任務(wù)在統(tǒng)計(jì)分布和損失函數(shù)的差異,存在學(xué)習(xí)上的偏差,,為了解決這個(gè)問(wèn)題,本文利用深度監(jiān)督對(duì)象檢測(cè)器(DSOD)方法對(duì)選定魚類圖像進(jìn)行檢測(cè)分類識(shí)別研究,,該模型具有高效的目標(biāo)檢測(cè)網(wǎng)絡(luò),保持了處理速度,,提升了對(duì)小目標(biāo)的檢測(cè)性能,。



本文詳細(xì)內(nèi)容請(qǐng)下載http://forexkbc.com/resource/share/2000003248

作者信息:

王文成1,,蔣  慧1,喬  倩1,,祝捍皓2,,鄭  紅2

(1.浙江海洋大學(xué) 船舶與機(jī)電工程學(xué)院,,浙江 舟山316022,;

2.浙江海洋大學(xué) 海洋科學(xué)與技術(shù)學(xué)院,,浙江 舟山316022)


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。