基于卷积神经网络的养殖鱼类品种识别模型

随着机器学习、计算机视觉等技术的发展,卷积神经网络(CNN)越来越多地应用于图像识别领域,但现有的鱼类图像公共数据集资源较匮乏,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56%。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

基于迁移学习的PSO-Shuffle Net鱼类识别方法

针对传统深度学习鱼类识别方法正确率较低、模型训练过程中参数不能够自适应确定的问题,提出了一种基于迁移学习(Transfer Learning, TL)的粒子群(Particle Swarm Optimization, PSO)改进ShuffleNet鱼类识别方法。以20种鱼类为对象,采用粒子群算法将模型的损失函数作为适应度函数,对批处理大小和学习率两个超参数进行优化,并利用迁移学习方式进行训练,构建了TL-PSO-ShuffleNet模型。结果显示：该方法与AlexNet、MobileNet、ShuffleNet模型相比,识别正确率分别提高了57.89%、30.43%、23.28%。本研究提出的鱼类识别方法具有正确率较高、参数设定具备自适应性等特点,为鱼类自动化识别研究提供了参考和借鉴。     

基于深度学习的鱼类识别相关技术研究现状及展望

为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。     

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。     

基于深度学习的鱼类智能识别系统的设计与实现

中国拥有种类繁多的鱼类,外形是其分类的重要依据.但目前主要采用人工识别方法进行分类,为解决鱼类人工识别存在的问题,提出一种基于深度学习的鱼类智能识别系统的设计,以实现对中国1400种鱼类的智能识别.系统首先采用卷积神经网络的Efficient模型,将含有1400种鱼类,50万张鱼类图片的数据集进行训练,最终得到的模型识...     

基于深度学习的鱼类跟踪技术研究进展

近年来,水产养殖和渔业资源保护的智能化发展迅速,对鱼类跟踪技术的需求也随之增加。传统的鱼类跟踪方法主要依赖于目视观察和标签追踪,存在效率低、应用范围有限、准确率不高等问题,限制了其推广应用。随着深度学习技术在计算机视觉领域的快速发展,基于深度学习的鱼类跟踪技术能够提供准确、客观、可扩展和自动化的跟踪方法。首先,介绍了鱼类跟踪技术的跟踪对象和4种深度学习鱼类追踪方法,分别是语义分割、实例分割、目标检测和目标分类。其次,介绍了鱼类跟踪技术如何获取鱼类轨迹与姿态、鱼类数量以及鱼类体长等鱼类目标跟踪信息。接着,介绍了基于深度学习的鱼类跟踪技术在鱼类疾病、鱼类摄食行为以及鱼类健康状态方面的应用,并从低对比度和纹理模糊、图像颜色失真以及遮挡和变形等3个方面,探讨了目前基于深度学习的鱼类跟踪技术的主要问题和一些相应的解决方法。最后,对基于深度学习的鱼类跟踪技术的发展前景进行了总结和展望。研究认为：基于深度学习的鱼类跟踪技术具有更高的准确度和客观性,为不同场景下的实际应用提供了更多解决方案,该技术有望在水产养殖管理、鱼类科学研究以及海洋环境保护等领域发挥更重要的作用,为相关领域提供更多的数据和支持。     

基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展

鱼类行为与水体环境密切相关,是鱼类生活状况的直接体现,可以通过分析鱼类行为进行更为精准的养殖管理和操作。计算机视觉技术为鱼类行为识别和量化提供了一种非入侵式且稳定性较好的方法,已逐渐广泛用于鱼类行为研究。本文介绍了计算机视觉技术的技术流程,包括图像采集、预处理、运动目标检测与跟踪,并对各个流程进行分类;综述了计算机视觉技术在鱼类游泳、摄食和体色变化等行为识别、量化研究的现状;分析了计算机视觉技术在鱼类行为识别、量化方面的难点及存在的问题,以期为计算机视觉技术在水产养殖监测领域的发展提供参考依据。     

如何正确识别养殖鱼类的饥饱

正确识别养殖鱼类的饥饱,不仅关系到养殖鱼类的生长状况、病害的发生,而且还对养殖饲料成本的高低起着至关重要的作用。笔者经过多年对池塘养鱼的试验、观察和研究,特别是对鱼类吃食情况进行了多年的细致观察、记录和总结,对如何正确识别养殖鱼类的饥饱总结出了以下几点意见,希望能给广大从事鱼类养殖的朋友一点帮助。     

基于线性调频(LFM)信号的单体鱼类目标回波识别与性能分析

在估计鱼类目标强度时,需要选择单体的回波信号进行计算.窄带信号下回波的相位标准差是单体检测的关键指标,但对于宽带信号相邻两点的相位差是时变的,无法将回波相位标准差作为单体信号的判定依据.本研究对线性调频宽带信号下的单体识别方法和性能进行了分析和仿真,并对该方法在消声水池内进行了测试和验证.结果显示:相比窄带信号,宽带信...     

基于深度学习的刺网与拖网作业类型识别研究

渔船作业类型可分为多种,作为典型近海捕捞作业方式的刺网和拖网捕捞渔船可占总船数的72.6%,准确的渔船作业类型识别可辅助渔船管理。利用北斗渔船监控系统(vessel monitoring system,VMS)数据提出一种对刺网和拖网作业分类识别的方法,因拖网和刺网渔船作业轨迹存在一定的差别,研究先提取出每艘船的航次信息,然后根据航次信息将原始刺网和拖网每条船的VMS划分为多个航次数据,根据航次数据中的经纬度数据批量画出每个航次的航迹图,再利用深度卷积神经网络模型对航迹图进行训练学习,进而实现刺网和拖网作业类型分类识别。通过使用自定义的10层CNN模型及使用迁移学习和模型微调方法调整后的VGG-16模型进行对比实验,结果显示,自定义的CNN模型最终精度为94.3%,证明了本方法的可行性,模型可用于辅助刺网、拖网作业类型判断。     

基于TS搜索算法的鱼病诊断求解策略

根据疾病事件与症状事件之间的逻辑关系，利用覆盖集理论提出疾病诊断的新指标，构造症状与疾病之间的0—1整数规划模型，并采用禁忌搜索(TS搜索)方法来求解这一问题。通过大量鱼病诊断实例的计算结果表明，TS搜索算法在降低误诊率和减少响应时间方面均有良好的性能。     

基于图像处理和线性拟合的鱼体尾柄测量方法研究

水产养殖场内的鱼体尾柄测量在养殖管理中有着重要意义。目前的尾柄测量方法主要依靠人工,操作复杂、效率低,且结果主观性强。研究提出一种基于图像处理和线性拟合的鱼体尾柄测量方法。首先在养殖场通过装置采集图像,通过边缘检测和轮廓提取得到鱼体的外部轮廓,基于鱼的形态特征这一先验知识,提取到尾柄感兴趣区域,最后对尾柄区域进行角点检测和最小二乘直线拟合,得到尾柄线长度。结果显示,该方法平均测量耗时1.01 s,平均测量偏差0.34 mm,测量精度达到95%以上。采用该方法不仅可以解决人工测量操作繁琐、主观性强等问题,而且能够避免测量过程耗时过长,为鱼体尾柄的大批量非接触式测量提供有效新途径。     

基于图像识别技术研究不同海区三疣梭子蟹甲壳白色斑纹特征及蜕壳前后斑纹特征的变化

为进行三疣梭子蟹外观特征的研究,本研究通过计算机视觉技术建立三疣梭子蟹背部白色斑纹评估方法,经人工对比验证其准确性达100%。在此基础上,对来自海域的30只三疣梭子蟹[平均体质量(2.8±0.56)g]进行跟踪观察,发现蜕壳前后白色斑纹数量和位置保持不变,而白色斑纹面积和斑纹区域面积则会随着蜕壳后蟹壳面积的增加而扩大;蜕壳后,白色斑纹面积增加89.33%±8.61%,斑纹区域面积增加90.51%±7.95%,蟹壳面积增加94.66%±8.26%,均显著正相关。为进一步研究不同海区梭子蟹白色斑纹分布特征,对来自朝鲜、中国辽宁和浙江等不同海区的三疣梭子蟹进行白色斑纹个数(N)、白色斑纹面积(S1)、斑纹区域面积(S2)、白色斑纹面积百分比(R1)、斑纹区域面积百分比(R2)和密度(D)等6项参数分析,结果发现,不同海区三疣梭子蟹斑纹性状存在显著特点,朝鲜海区呈现斑纹小、分布面积少、占蟹壳总面积比例低的特点;辽宁海区呈现斑纹小、分布面积多、占蟹壳总面积比例高的特点;浙江海区呈现斑纹大、分布面积少、占蟹壳总面积比例低的特点。本研究将计算机视觉技术应用于水产养殖研究,通过建立评估参数阐明三疣梭子蟹白色斑纹的生长规律,揭示了不同群体的三疣梭子蟹白色斑纹具有地理多样性的特征。