《電子技術應用》
您所在的位置：首頁 > 人工智能 > 設計應用 > 基于深度學習的魚類識別與檢測的算法研究
基于深度學習的魚類識別與檢測的算法研究
《信息技術與網(wǎng)絡安全》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 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
摘要： 魚類分類識別在漁業(yè)資源研究、魚類知識的科學推廣、水產(chǎn)養(yǎng)殖加工,、稀有物種保護等領域具有廣泛的應用前景,。針對大菱鲆、黃鰭鯛,、金錢魚,、鯔魚這四種魚類,，利用PyTorch框架為基礎,，通過ResNet50網(wǎng)絡模型，用不同的算法對其進行分類識別,，不斷對模型進行優(yōu)化,，對四種魚類訓練學習，通過測試其準確率達到96%以上,。同時用PyQt5開發(fā)了GUI可視化界面,，通過界面圖片的選擇和預測功能按鈕的操作，測試結果實際類別與預測類別一致,，用DSOD框架做了水下目標實時跟蹤檢測,，提高了對小目標的檢測率，同時保持了模型的檢測速度,，檢測結果達到期望,。
中圖分類號：
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.

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)


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