基于计算机视觉的鱼类识别研究与应用

发布时间：2021-03-24 21:43

　　随着计算机科学的进步,计算机视觉在目标检测以及目标识别领域的地位越来越举足轻重,各个领域的应用也层出不穷,所以在海洋资源检测领域中,也可以扮演相当重要的角色。然而,目前我国现有的鱼类相关的产品研究中,没有可用的数据集提供使用,国外的数据集适用于该国海岸线周边的鱼类类型识别,并不能用于我国的海洋鱼类的鱼类检测。而且市面上并不存在用于识别鱼类的工具,针对鱼类的分类还是要通过人工操作,效率低下,过程复杂。对此我们结合计算机视觉技术针对鱼类作为研究对象展开一系列的实验进行研究及应用,主要研究内容将从三个方面来讨论:第一,首先是构建我国沿海地区常见鱼类数据集,目的是提供足量的数据供深度神经网络进行训练。我们一共收集了 6万张136类不同的照片。然而各种鱼类图片数量分布非常不均匀,倘若直接放在网络里训练,效果是非常差的。所以本文会针对这些数据进行数据均衡、色彩饱和度调整、随机裁剪等数据增强操作,用以达到增加样本多样性和平衡数据量的目的。第二,利用神经网络对鱼类数据进行训练,分别采用基于ResNet101网络的Faster RCNN算法和基于VGG16网络的SSD算法对有标记的鱼类图片进行目标识别。... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：105 页

【学位级别】：硕士

【部分图文】：

图１－１?２０１２年－２０１７年我国渔业产值统计图??

图１－２形色识别绿萝结果图??

图１－４实际标注图??

【参考文献】：
期刊论文
[1]生成对抗网络GAN综述[J]. 程显毅,谢璐,朱建新,胡彬,施佺.  计算机科学. 2019(03)
[2]黄、东海渔业资源群落结构变化研究[J]. 戴芳群,朱玲,陈云龙.  渔业科学进展. 2020(01)
[3]TensorFlow在图像识别系统中的应用[J]. 邢艳芳,段红秀,何光威.  计算机技术与发展. 2019(05)
[4]一种HOG特征模板匹配算法[J]. 崔伟清,党长春,张旺,王洪洲,罗勇牙.  机械管理开发. 2018(11)
[5]基于优化分类的数据增广方法[J]. 蒋梦莹,林小竹,柯岩.  计算机工程与设计. 2018(11)
[6]海洋通识类课程建设与教学实践[J]. 葛义军,黄昆仑,王智宇.  科技视界. 2018(31)
[7]基于深度学习的海底观测视频中鱼类的识别方法[J]. 张俊龙,曾国荪,覃如符.  计算机应用. 2019(02)
[8]基于改进锚候选框的甚高速区域卷积神经网络的端到端地铁行人检测[J]. 盛智勇,揭真,曲洪权,田青.  科学技术与工程. 2018(22)
[9]基于机器学习的入侵检测方法对比研究[J]. 和湘,刘晟,姜吉国.  信息网络安全. 2018(05)
[10]基于机器视觉的淡水鱼品种识别[J]. 姚润璐,桂詠雯,黄秋桂.  微型机与应用. 2017(24)

硕士论文
[1]基于深度学习的蒙古文古籍整词识别技术研究[D]. 刘鑫.内蒙古大学 2018
[2]基于深度学习的铁谱图像分类[D]. 王联君.南京航空航天大学 2018
[3]基于卷积神经网络和上下文模型的目标检测[D]. 马增妍.北京工业大学 2016
[4]基于计算机视觉木材表面颜色分类的研究[D]. 王业琴.东北林业大学 2006



本文编号：3098446