發(fā)布時間：2021-03-27 20:38

　　魚類分類識別在漁業(yè)資源研究、魚類知識的科學(xué)推廣、水產(chǎn)養(yǎng)殖加工、稀有物種保護(hù)等領(lǐng)域具有廣泛的應(yīng)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(chǔ),通過ResNet50網(wǎng)絡(luò)模型,用不同的算法對其進(jìn)行分類識別,不斷對模型進(jìn)行優(yōu)化,對四種魚類訓(xùn)練學(xué)習(xí),通過測試其準(zhǔn)確率達(dá)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(yù)測功能按鈕的操作,測試結(jié)果實(shí)際類別與預(yù)測類別一致,用DSOD框架做了水下目標(biāo)實(shí)時跟蹤檢測,提高了對小目標(biāo)的檢測率,同時保持了模型的檢測速度,檢測結(jié)果達(dá)到期望。 

【文章來源】：信息技術(shù)與網(wǎng)絡(luò)安全. 2020,39(08)

【文章頁數(shù)】：6 頁

【部分圖文】：

網(wǎng)絡(luò)模型

課題組在前期研究中針對10種魚類進(jìn)行分類識別，十種魚類分別為鯔魚、巴鰹魚、金錢魚、銀鯧魚、大菱鲆、鱸魚、頜針魚、黃鰭鯛、綠鰭魚、黑鯛魚，共908張圖像，設(shè)置訓(xùn)練集807，驗(yàn)證集101進(jìn)行分層采樣。前期研究的實(shí)驗(yàn)結(jié)果如表1所示，分別從precision、recall、f1-score的這幾個指標(biāo)中反映出來，計算這些指標(biāo)有四個概念：TP、FP、TN、FN,從表1可以看出，該模型的準(zhǔn)確率和召回率都比較高。本文實(shí)驗(yàn)選擇其中四種魚類，分別為大菱鲆、黃鰭鯛、金錢魚、鯔魚，并且增加了每種魚類的數(shù)量，共1 123張圖像，每種魚類設(shè)置驗(yàn)證集42張圖像，剩余的圖片用作訓(xùn)練學(xué)習(xí)。本文是在PyTorch框架下，使用ResNet50網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，分類識別用的優(yōu)化器是Adam，該模型的參數(shù)設(shè)置如下，學(xué)習(xí)率1e-4,lr＿decay=1e-4,weight＿decay=1e-4。如圖3(a)所示，橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為損失。從圖中可以看出隨著迭代次數(shù)的增加損失值逐漸下降，迭代次數(shù)2 000次之前下降速率較快，往后曲線逐漸平穩(wěn)。圖3(b)所示為隨迭代次數(shù)的增加識別準(zhǔn)確率的變化，從圖中可以看出隨著迭代次數(shù)的增加準(zhǔn)確率逐漸增加，當(dāng)?shù)螖?shù)為2 000次的時候，訓(xùn)練準(zhǔn)確率達(dá)到90%以上，當(dāng)?shù)螖?shù)達(dá)到8 000次的時候，訓(xùn)練準(zhǔn)確率達(dá)到95%以上，之后持續(xù)為平穩(wěn)狀態(tài)。同時，數(shù)據(jù)結(jié)果顯示該模型收斂速度快，識別精度高，驗(yàn)證集誤差小。

本文用于實(shí)驗(yàn)檢測的視頻來源于Labeled fishes in the wild[18]。目標(biāo)檢測的訓(xùn)練配置參數(shù)如下，初始學(xué)習(xí)率0.01,momentum=0.9,weight＿decay=5e-4，學(xué)習(xí)率采用自適應(yīng)的學(xué)習(xí)率下降策略，當(dāng)學(xué)習(xí)率停滯不降一定次數(shù)之后，降低學(xué)習(xí)率。目標(biāo)檢測結(jié)果如圖5所示，通過圖(a)可以發(fā)現(xiàn)，該檢測框架對于比較小的物體也能夠檢測出來，圖中有一些小的目標(biāo)，由于水下的惡劣環(huán)境的原因，并沒有完全檢測出來，在水下基礎(chǔ)設(shè)施較好的情況下，可以達(dá)到較好的檢測效果，視頻中出現(xiàn)的魚類都能準(zhǔn)確地標(biāo)注出來，檢測效果很明顯，而且DSOD繼承了SSD的檢測速度快的優(yōu)點(diǎn)，對于遺漏小目標(biāo)的缺點(diǎn)得到提升。圖4 PyQt5可視化界面

【參考文獻(xiàn)】：
期刊論文
[1]基于Faster R-CNN和圖像增強(qiáng)的水下魚類目標(biāo)檢測方法[J]. 袁紅春,張碩.  大連海洋大學(xué)學(xué)報. 2020(04)
[2]基于ResNet50網(wǎng)絡(luò)的十種魚類圖像分類識別研究[J]. 王文成,蔣慧,喬倩,祝捍皓,鄭紅.  農(nóng)村經(jīng)濟(jì)與科技. 2019(19)
[3]基于改進(jìn)YOLO和遷移學(xué)習(xí)的水下魚類目標(biāo)實(shí)時檢測[J]. 李慶忠,李宜兵,牛炯.  模式識別與人工智能. 2019(03)
[4]小樣本情況基于深度學(xué)習(xí)的水下目標(biāo)識別研究[J]. 梁紅,金磊磊,楊長生.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2019(01)
[5]基于深度學(xué)習(xí)的海底觀測視頻中魚類的識別方法[J]. 張俊龍,曾國蓀,覃如符.  計算機(jī)應(yīng)用. 2019(02)
[6]基于機(jī)器視覺的淡水魚品種識別[J]. 姚潤璐,桂詠雯,黃秋桂.  微型機(jī)與應(yīng)用. 2017(24)
[7]深度學(xué)習(xí)在魚類圖像識別與分類中的應(yīng)用[J]. 林明旺.  數(shù)字技術(shù)與應(yīng)用. 2017(04)
[8]基于漁獲物統(tǒng)計的中國近海魚類營養(yǎng)級結(jié)構(gòu)變換及其與捕撈作業(yè)的關(guān)系[J]. 李繼龍,曹坤,丁放,楊文波,沈公銘,李應(yīng)仁.  中國水產(chǎn)科學(xué). 2017(01)
[9]基于SVM的決策融合魚類識別方法[J]. 杜偉東,李海森,魏玉闊,徐超.  哈爾濱工程大學(xué)學(xué)報. 2015(05)



本文編號：3104182