排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
投喂作为水产养殖过程中的一个关键环节,饵料的投喂量直接影响水产品的质量和养殖成本。然而,目前的投喂方法包括人工投喂和机器定时定量投喂,大多依靠人工经验,很难实现精准投喂。本文基于改进的ResNet34识别鱼群不同的饱腹程度。根据鱼群在不同饱腹阶段表现的摄食行为创建了含有5种不同饱腹程度的数据集,并采用数据增强操作对图像进行预处理。其次在原始模型ResNet34的基础上,本文提出使用坐标注意力机制,使模型在对图像进行特征提取的过程中能够做到专注于更大区域范围。并且使用深度可分离卷积的方式来代替传统卷积,减少模型参数量。为了评估改进的有效性,分析了改进后的模型在鱼群饱腹程度数据集上的性能,并将其与原模型ResNet34、AlexNet、VGG16、MobileNet-v2、GoogLeNet等经典卷积神经网络架构进行比较。综合实验结果表明,该模型相较于原模型参数量减少46.7%,准确率达到93.4%,相较于原模型提升3.4个百分点,同时改进后的模型在准确率、精确度、召回率等方面也都优于其他卷积神经网络。综上所述,本模型实现了性能与参数量之间的良好平衡,为后续模型在实际养殖环境中的部署并指导养殖户改善和制定投喂策略提供了可能。 相似文献
2.
水质恶化会直接造成水产养殖产量下降,严重时会导致水产动物大量死亡,给养殖企业造成严重经济损失。因此对水产养殖中水质参数进行实时监测具有重要意义。本文以斑石鲷为研究对象,提出了一种基于鱼类行为的水质监测方法。该方法通过摄像机拍摄到的图像数据就可以非侵入地完成水质参数的实时监测,避免了安装复杂设备、对鱼类行为进行量化等繁琐过程。为了增加推理速度和降低模型参数量,通过将RepVGG block与GhostNet相结合构建了G-RepVGG模型,使该模型更适用于移动设备的部署。提出了计算量较少、推理速度快、更适合水质快速监测的Cheap Ghost操作和计算量大、精确率高、更适合水质的精确监测Expensive Ghoost操作。由于多分支网络适合进行训练但是在推理速度上低于单分支网络,因此通过模型重参数化首先将卷积层以及批归一化(Batch normalization, BN)层合并,随后再将3路卷积合并为1路,大大降低模型参数量、提高了模型推理速度,使模型更加适用于移动设备的推理。结果表明:使用Cheap Ghost操作的G-RepVGG在测试集中准确率达到96.21%,图像处理速度达到442.27f/s,使用Expensive Ghost操作的G-RepVGG模型在测试集中准确率达到97.63%,图像处理速度达到349.42f/s,从而在保证较高精度的前提下依旧具有较高的推理速度,在多个数据集中测试具有较好的鲁棒性。 相似文献
1