采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。     

中国海洋捕捞能力的计量与分析

采用数据包络分析方法，以渔船数、总吨位、总功率和专业劳动力为投入指标。以年捕捞产量为产出指标，对我国1994至2005年的近海捕捞与远洋渔业的捕捞能力与能力利用度进行了系统的计量，并以此为依据对我国渔业管理的政策绩效进行了量化分析，发现近年来近海捕捞的渔船数和捕捞劳力的过剩率得到了较好的控制，但渔船总吨位与总功率的过剩率却还处于相对较高的水平。说明目前我国近海增加捕捞能力的主要手段依然是提高渔船的总功率与总吨位，需要在今后的渔业管理中引起重视。通过近海与远洋渔业的比较研究发现，我国近海捕捞能力的实际过剩率已超过了50％，捕捞能力的利用水平不高且提高程度有限；而远洋渔业的能力利用度则尚有较大的提高空间。研究同时显示：我国近海捕捞能力利用度与远洋捕捞能力利用度两条曲线在每次远离后都有互相靠拢的趋势。表明我国远洋捕捞的能力利用度提高后，会吸引近海渔业的部分捕捞能力转入远洋渔业，在降低远洋渔业能力利用度的同时，减轻了近海渔业资源的捕捞压力，也使近海捕捞的能力利用度得以提高；反之，当远洋渔业的能力利用度相对近海渔业较低时，就会有一部分远洋渔业的捕捞能力转入近海捕捞，加大了近海的捕捞强度，使近海捕捞的能力利用度下降。所以，积极提高并保持远洋渔业的能力利用度，对缩减近海捕捞规模有较直接的影响。     

基于VMS的张网渔船捕捞努力量与网位坐标提取方法

捕捞努力量是渔业资源管理和评估领域的重要参数之一,传统捕捞努力量计算方法无法满足实时、大范围、快速统计的需要。以我国近海作业的某张网渔船为研究对象,采用BP(back propagation)神经网络模型,对张网船155在2016年和2017年北斗渔船监控系统所获取的若干连续航次的经纬度坐标、航速和航向等信息进行分析和判断,提取各航次作业的网位坐标,通过阈值筛选渔船布网位置和时间,计算放网时长,把网口迎流面积与放网时长的乘积作为网次的捕捞努力量。结合BP神经网络和阈值分析的判断结果,网位判断准确率为82%,4个航次累计捕捞时长3562.62 h,累计捕捞努力量712524(m²·h)。设计的张网渔船状态判断、确定网位、放网时长提取和捕捞努力量计算方法为张网作业分析和其捕捞强度量化提供新的研究思路。     

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。     

6种大型海洋掠食性鱼类胃含物角质颚分类研究

为了研究大型海洋掠食性鱼类胃含物中角质颚的分类效果,于2017年10月,2018年3、5和11月,收集了南大西洋、中东太平洋和西印度洋海域的大型海洋掠食性鱼类的36个胃并分析其残留角质颚的形态。对采集的角质颚形态侧视图和顶视图进行种类鉴定,建立检索表,提取椭圆傅里叶描述子(EFDs)系数进行聚类分析。结果显示,通过对胃含物角质颚形态进行种类鉴定,共发现头足类2目10科17种。根据角质颚形态分类检索分析,17种头足类角质颚形态种间差异明显。枪形目(Teuthoidea)的13种头足类角质颚喙部形态分别为三角形和等腰三角形,侧壁为近似菱形,翼部发达;八腕目(Octopoda)的4种头足类角质颚有喙部发育,侧壁近似长四边形,有翼部发育。角质颚形态信息聚类分析在目级别区分效果显著。通过对胃含物角质颚形态进行分类研究,不仅可佐证胃含物头足类的识别,而且丰富了胃含物头足类的鉴定内容,也为大型海洋掠食性鱼类胃含物头足类分类鉴定体系奠定基础。     

基于Activiti和Drools的水产养殖自动决策流程管理系统

针对目前水产养殖过程管理中缺乏有效的流程化管理、养殖业务规则不明确、养殖决策效率低、人工经验判断操作失误率高等问题,阐述了工作流技术和规则引擎技术结合应用于水产养殖流程管理的设计思想。首先提出了一种基于规则引擎的智能工作流管理系统体系结构,并对系统进行总体框架设计。然后在分析和总结出水产养殖业务流程步骤繁琐不明确、受时间限制、多循环、多并发和存在大量养殖业务决策等特点的基础上,以南美白对虾养殖流程为例,通过Activiti可视化流程设计器对南美白对虾养殖流程进行流程定义和设计,构建水产养殖工作流模型;通过Drools规则引擎制定南美白对虾养殖关键流程业务规则库,制定过程包括养殖规则的分析、定义、设计、编写和触发。最后,将Activiti工作流引擎和Drools规则引擎与当今主流的SSH框架进行整合,开发基于Activiti和Drools的水产养殖自动决策流程管理系统。通过初期试验运行表明,该系统能有效实现水产养殖全流程业务状态的实时监控和养殖关键流程的规则决策,能有效增加养殖产量14.8%,降低饵料系数11.4%,减少人工管理成本30%,使得整体经济效益增加29.3%,初期试验效果良好,为水产养殖信息化过程管理提供了一种切实可行的流程化、自动化、精细化养殖的新策略。     

基于高光谱数据和SVM方法的土壤盐渍度反演

在土壤可见光~近红外波段光谱(350~2500 nm)内包含了大量可以表征土壤盐度的相关性信息,通过土壤盐渍化检测反演模型的建立,可以定性定量分析土壤盐渍度。本文探究了信息不完备情况下,机器学习算法在土壤盐渍化检测模型反演中的适用性,分别使用了多元线性回归模型、BP神经网络模型和SVM模型来反演土壤盐渍化检测。结果表明,SVM模型预测精度达到99.41%,是三种模型中精度最高的模型,适用于分析土壤复杂光谱信息和高精度土壤盐渍化反演。