我國海洋國土面積廣闊,擁有極其豐富的海洋資源。漁業(yè)資源作為海洋資源的的重要組成部分,對魚類的檢測識別研究能夠更好地輔助調(diào)查捕撈工作及水源水質(zhì)監(jiān)測工作,并為增強漁業(yè)資源保護與管理能力提供理論依據(jù)。近年來水下視頻圖像領域的研究不斷深入,為魚類的檢測識別研究提供了一定的借鑒作用。然而水下視頻圖像背景復雜,魚類形態(tài)變化萬千,使得快速準確定位和識別水下環(huán)境中的魚類目標面臨諸多挑戰(zhàn)。現(xiàn)存檢測識別方法大都基于有監(jiān)督的學習,需要消耗大量的人力物力。隨著人工智能的發(fā)展,深度學習以強大的內(nèi)部網(wǎng)絡自動提取特征能力和高精度的識別效果在圖像識別領域掀起熱潮,這為魚類檢測識別提供了新思路和新方法。本文在研究深度學習相關理論后,為水下魚類視頻圖像構建了卷積神經(jīng)網(wǎng)絡來促進捕撈監(jiān)管系統(tǒng)的智能化,具體內(nèi)容包括以下幾個方面:（1）本文收集并制作了草金魚、地圖魚、黃鰭鯧等30種共4737張包含復雜背景的淡水魚類數(shù)據(jù)集Fish30Image?并采用殘差網(wǎng)絡遷移學習方法對Fish30Image數(shù)據(jù)集和包含23種共27 370張的海水魚類數(shù)據(jù)集Fish4Knowledge進行訓練,之后經(jīng)過softmax分類器得到最終的魚種分類結(jié)果... 

【文章來源】：浙江農(nóng)林大學浙江省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題背景及意義
    1.2 研究現(xiàn)狀及分析
        1.2.1 圖像識別研究現(xiàn)狀
        1.2.2 目標檢測研究現(xiàn)狀
        1.2.3 魚類檢測識別研究現(xiàn)狀
    1.3 研究內(nèi)容和組織結(jié)構
        1.3.1 主要研究內(nèi)容及創(chuàng)新點
        1.3.2 本文的組織結(jié)構
    1.4 總體技術路線圖
2 數(shù)據(jù)集的建立
    2.1 數(shù)據(jù)增強技術
    2.2 魚類識別試驗數(shù)據(jù)集
        2.2.1 Fish4Knowledge數(shù)據(jù)集
        2.2.2 Fish30Image數(shù)據(jù)集
    2.3 多目標魚體檢測數(shù)據(jù)集
        2.3.1 Labeled Fishes in the Wild數(shù)據(jù)集
        2.3.2 VOC格式數(shù)據(jù)集制作
3 基于Res Net遷移學習的魚類識別
    3.1 殘差網(wǎng)絡與遷移學習
        3.1.1 殘差網(wǎng)絡結(jié)構
        3.1.2 常用激活函數(shù)
        3.1.3 遷移學習實現(xiàn)
    3.2 基于Adam算法的網(wǎng)絡優(yōu)化
    3.3 識別環(huán)境及流程設置
    3.4 基于遷移學習的網(wǎng)絡優(yōu)化試驗
        3.4.1 遷移學習學習率選擇
        3.4.2 遷移學習批處理量選擇
        3.4.3 微調(diào)網(wǎng)絡對比實驗
        3.4.4 模型效果驗證
    3.5 魚類識別方法性能對比
        3.5.1 不同網(wǎng)絡模型對比分析
        3.5.2 與傳統(tǒng)魚類識別方法比較
    3.6 本章小結(jié)
4 基于改進Retina Net的多目標魚體檢測
    4.1 Retina Net目標檢測模型
        4.1.1 損失函數(shù)Focal Loss
        4.1.2 錨框生成方案
    4.2 深度可分離卷積
    4.3 訓練設置和評價指標
        4.3.1 試驗環(huán)境設置
        4.3.2 性能評價指標
    4.4 試驗結(jié)果與分析
        4.4.1 特征提取器優(yōu)化分析
        4.4.2 數(shù)據(jù)增強效果分析
        4.4.3 遷移學習優(yōu)化分析
        4.4.4 優(yōu)化算法對比分析
        4.4.5 深度可分離卷積優(yōu)化分析
    4.5 魚類目標檢測方法性能對比
        4.5.1 不同算法下的多目標魚體檢測效果分析
        4.5.2 與傳統(tǒng)多目標魚體檢測方法比較
    4.6 本章小結(jié)
5 基于Android的魚類識別系統(tǒng)設計
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)架構設計
    5.3 系統(tǒng)環(huán)境介紹
    5.4 功能模塊實現(xiàn)
        5.4.1 圖像獲取模塊
        5.4.2 圖像識別模塊
        5.4.3 信息展示模塊
    5.5 系統(tǒng)測試
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者在讀期間發(fā)表的學術論文
致謝



本文編號：3200976