基于CycleGAN和注意力增强迁移学习的小样本鱼类识别

围绕水产养殖水下目标精准识别的产业发展需求,针对小样本目标识别精度低、模型算法场景适应能力差等问题,提出一种基于改进循环对抗网络（Cycle constraint adversarial network, CycleGAN）样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像,并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移,并提出一种基于最大平均差异（Maximum mean discrepancy, MMD）的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架,并引入SK-Net（Selective kernel network）注意力机制优化模型对不同感受野目标的感知能力,提升模型对无约束鱼类目标的识别精度。试验结果表明,本文方法有效提升了小样本鱼类目标的识别能力,鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。     

中国水产养殖装备发展现状

水产养殖是我国渔业的最重要组成部分,水产养殖机械装备是现代水产养殖业发展的重要标志,绿色、高效的现代化水产养殖产业结构升级对水产养殖装备提出了更高的要求,基于装备与信息技术协同的智慧水产养殖成为现代渔业发展的新趋势。本文围绕池塘、工厂化、网箱、筏式以及底播养殖等我国主要养殖方式,梳理了当前水产养殖中常用的机械化装备和技术,并从环境监测、养殖对象感知、智能投喂、分级计数和养殖机器人等方向分析了我国水产养殖智能装备技术的研究进展,指出了制约我国水产养殖智能装备发展的关键问题。为实现我国从水产养殖大国向强国转变,融合机械装备和智能技术等两个领域的前沿技术,提出了“机械化、自动化、智能化并举”的水产养殖智能装备发展新思路。