文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2020.08.011
引用格式: 王文成,蔣慧,,喬倩,,等. 基于深度學習的魚類識別與檢測的算法研究[J].信息技術與網(wǎng)絡安全,2020,,
39(8):57-61,,66.
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,。雖然我國海洋面積有300多萬平方千米,,但是漁業(yè)資源作為海洋資源中重要的一項資源,近年來呈現(xiàn)逐漸衰退趨勢,。對周圍海域內(nèi)海底環(huán)境進行實時監(jiān)測,,分析研究海域中代表性魚類的分布概況及生活習性,對于漁業(yè)資源可持續(xù)發(fā)展,、探測未知生物資源有著重要意義,。
目標識別是計算機視覺領域重要的研究方向之一。隨著科學技術的進步,、計算硬件設備水平的提高,,基于深度學習的目標識別檢測方法受到了人們廣泛關注。杜衛(wèi)東等提出一種基于支持向量機(SVM)的多方位聲散射數(shù)據(jù)決策融合的魚類識別方法,,識別準確率達到90%以上,,姚潤璐等通過分割魚體,獲得魚肚,、魚背圖像,,通過提取紋理特征和形狀特征,識別率達到75%,,相較于傳統(tǒng)的目標檢測算法,,基于卷積神經(jīng)網(wǎng)絡(CNN)的目標檢測算法通過學習自動提取顏色、輪廓等底層的特征和更高級,、抽象的特征,,然后利用分類模型進行分類檢測,其檢測結果具有更高的精度和魯棒性,。林明旺等采用VGG16模型進行魚類分類識別,,但是數(shù)據(jù)集背景干擾強度大,雖然進行微調(diào),,穩(wěn)定性仍然不好,。王文成等用ResNet50網(wǎng)絡模型對十種魚類做了分類識別,準確率達到了93.33%,,但是數(shù)據(jù)集數(shù)量有限,,識別精度不高;張俊龍等提出在預處理過程中使用權重化卷積操作,,對海洋魚類識別準確率提升23%,在視頻觀測中精準識別魚類,;梁紅等通過對圖像進行水下降噪的方法,并且對預訓練的網(wǎng)絡微調(diào)參數(shù),,在海洋魚類數(shù)據(jù)集上識別準確率達到85.08%,。
基于CNN的目標檢測算法依據(jù)是否需要提取候選區(qū)域分為:基于有候選區(qū)域的目標檢測算法和基于無候選區(qū)域的目標檢測算法兩種。區(qū)域卷積神經(jīng)網(wǎng)絡(R-CNN)、快速區(qū)域卷積神經(jīng)網(wǎng)絡(Fast R-CNN),、超快速區(qū)域卷積神經(jīng)網(wǎng)絡(Faster R-CNN),,都屬于代表性的基于候選區(qū)域的目標檢測算法。該類算法從圖像中事先提取一系列可能的對象候選區(qū)域,,然后從這些候選區(qū)域中提取特征并進行判斷分類,。2019年,袁紅春等人利用Faster R-CNN目標檢測方法應用到水下魚類種類識別中,,識別準率達到98.12%,。該類算法的檢測準確率較高,但是處理速度較慢,。無候選區(qū)域的目標檢測算法的代表性算法有單級式目標檢測(YOLO),、單點多盒檢測器(SSD)及其改進的算法YOLO v2和深度監(jiān)督對象檢測器(DSOD)。此類算法去除候選區(qū)域提取過程,,使用神經(jīng)網(wǎng)絡直接將一整張圖片輸入神經(jīng)網(wǎng)絡,然后預測出bounding box的坐標和物體的類別,、置信度,,檢測物體速度較快。李慶忠等對YOLO實時目標檢測算法進行了改進,,采用遷移學習法訓練網(wǎng)絡,,預處理中圖像增強以及視頻幀數(shù)檢測速率上做了改變,該算法提升了對海底小目標檢測的性能,,但存在檢測精度低,、檢測小目標會有遺漏等問題。SSD算法同時融合了proposal-free的提取和Faster R-CNNs算法的優(yōu)點,,與其他檢測算法相比,,即使輸入圖像尺寸小,SSD依然有更好的精度,。DSOD是一種改進的SSD網(wǎng)絡框架算法,。相比于SSD目標檢測算法,DSOD整個網(wǎng)絡采用密集的短連接和通道拼接技術,,使得DSOD 的模型參數(shù)更小,,同時能直接在目標數(shù)據(jù)集上進行訓練,而無需在ImageNet,、COCO,、PASCAL VOC等公開數(shù)據(jù)集上進行預訓練。
基于上述的分析,,由于分類識別和檢測任務在統(tǒng)計分布和損失函數(shù)的差異,,存在學習上的偏差,為了解決這個問題,本文利用深度監(jiān)督對象檢測器(DSOD)方法對選定魚類圖像進行檢測分類識別研究,,該模型具有高效的目標檢測網(wǎng)絡,,保持了處理速度,提升了對小目標的檢測性能,。
本文詳細內(nèi)容請下載: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 船舶與機電工程學院,浙江 舟山316022,;
2.浙江海洋大學 海洋科學與技術學院,,浙江 舟山316022)